| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 服装垃圾图像过滤存在问题 | 第11-12页 |
| 1.4 本文研究的主要内容 | 第12-13页 |
| 1.5 本文的主要结构 | 第13-16页 |
| 第二章 相关技术介绍 | 第16-38页 |
| 2.1 垃圾图像识别过程 | 第16-17页 |
| 2.2 图像特征 | 第17-25页 |
| 2.2.1 颜色特征 | 第18-19页 |
| 2.2.2 GLCM纹理特征 | 第19-21页 |
| 2.2.3 SIFT特征 | 第21-25页 |
| 2.3 基于图像内容的相关模型 | 第25-28页 |
| 2.3.1 词袋模型 | 第26-27页 |
| 2.3.2 空间金字塔 | 第27-28页 |
| 2.4 分类器设计 | 第28-37页 |
| 2.4.1 贝叶斯分类器 | 第29-32页 |
| 2.4.2 支持向量机 | 第32-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于改进词袋模型的垃圾图像过滤技术 | 第38-52页 |
| 3.1 BOW在计算机视觉领域的应用 | 第38-39页 |
| 3.2 服装垃圾图片过滤问题描述 | 第39-40页 |
| 3.3 融合位置信息BOW的图像过滤方法 | 第40-45页 |
| 3.3.1 整体框架 | 第41-42页 |
| 3.3.2 融合角度和距离的BOW | 第42-45页 |
| 3.3.3 改进BOW分析讨论 | 第45页 |
| 3.4 实验部分 | 第45-50页 |
| 3.4.1 分类性能评价 | 第45-46页 |
| 3.4.2 实验数据集 | 第46-47页 |
| 3.4.3 实验结果分析 | 第47-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于滑动窗主成分特征的垃圾图像过滤方法 | 第52-62页 |
| 4.1 基于图像主成分特征的垃圾图片过滤方法 | 第52-54页 |
| 4.2 图像主成分特征提取 | 第54-57页 |
| 4.2.1 主成分特征提取原理 | 第54-55页 |
| 4.2.2 滑动窗口主成分法提取特征 | 第55-57页 |
| 4.3 实验部分 | 第57-61页 |
| 4.3.1 传统主成分特征与滑动窗主成分特征对比分析 | 第57-60页 |
| 4.3.2 两种垃圾图像过滤技术讨论 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间取得的科研成果 | 第70-72页 |
| 致谢 | 第72页 |