| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9页 |
| 1.2 图像分类的应用 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-17页 |
| 1.3.1 图像特征提取 | 第11-13页 |
| 1.3.2 图像建模 | 第13-15页 |
| 1.3.3 分类器设计 | 第15-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第2章 相关理论及方法 | 第19-30页 |
| 2.1 SIFT特征提取 | 第19-23页 |
| 2.2 高斯混合模型（Gaussian Mixture Models, GMM） | 第23-27页 |
| 2.2.1 MLE求解GMM | 第24-26页 |
| 2.2.2 MAP求解GMM | 第26-27页 |
| 2.3 Fisher核 | 第27-29页 |
| 2.3.1 核方法 | 第27-28页 |
| 2.3.2 Fisher核 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于特征融合和度量学习的分类算法 | 第30-50页 |
| 3.1 图像分割 | 第32页 |
| 3.2 图像表达 | 第32-37页 |
| 3.2.1 基于HSV的图像表达 | 第32-35页 |
| 3.2.2 基于局部约束的稀疏编码 | 第35-37页 |
| 3.2.3 基于SIFT的图像表达 | 第37页 |
| 3.3 基于特征融合和度量学习的分类算法 | 第37-44页 |
| 3.3.1 度量学习 | 第38-42页 |
| 3.3.2 算法描述 | 第42-44页 |
| 3.4 实验结果与分析 | 第44-49页 |
| 3.4.1 实验数据库 | 第44-46页 |
| 3.4.2 比较结果与分析 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于Fisher向量的特征融合分类算法 | 第50-59页 |
| 4.1 Fisher向量特征提取 | 第51-53页 |
| 4.1.1 Fisher向量 | 第51-52页 |
| 4.1.2 Fisher向量规范化的作用 | 第52-53页 |
| 4.2 基于Fisher向量的特征融合分类算法 | 第53-55页 |
| 4.3 实验结果与分析 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读学位期间发表论文与研究成果清单 | 第66-67页 |
| 致谢 | 第67页 |