| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 引言 | 第10-16页 |
| 1.1 关于本课题研究背景和意义 | 第10页 |
| 1.2 关于本课题的国内外研究现状 | 第10-14页 |
| 1.2.1 三种研究着手角度 | 第11页 |
| 1.2.2 场景图像特征描述 | 第11-12页 |
| 1.2.3 场景图像分类研究现状中存在的问题 | 第12-14页 |
| 1.3 关于本文的主要内容和结构安排 | 第14-16页 |
| 2 关于场景图像分类问题研究 | 第16-28页 |
| 2.1 关于本课题场景图像分类的问题定义 | 第16页 |
| 2.2 对场景图像分类的分类器 | 第16-19页 |
| 2.2.1 对线性支持向量机 | 第17-18页 |
| 2.2.2 对非线性支持向量机 | 第18-19页 |
| 2.2.3 对支持向量机多类分类策略 | 第19页 |
| 2.3 对支持向量机模型参数设置 | 第19-21页 |
| 2.3.1 关于核函数的探究 | 第19-21页 |
| 2.3.2 关于核函数的参数设置 | 第21页 |
| 2.4 基于遗传算法的场景图像分类器优化 | 第21-24页 |
| 2.4.1 基于标准遗传算法的场景图像分类器优化 | 第21-22页 |
| 2.4.2 基于改进遗传算法的场景图像分类器优化 | 第22-24页 |
| 2.5 本文场景图像分类研究模型 | 第24-26页 |
| 2.5.1 对libsvm工具包简介 | 第24页 |
| 2.5.2 场景图像分类研究评估指标 | 第24-25页 |
| 2.5.3 场景图像分类研究模型 | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 3 基于Gist特征和PHOG特征场景图像分类 | 第28-49页 |
| 3.1 基于Gist特征场景图像分类 | 第28-29页 |
| 3.1.1 Gist特征 | 第28-29页 |
| 3.1.2 基于Gist特征的场景图像分类 | 第29页 |
| 3.2 基于PHOG特征场景图像分类 | 第29-32页 |
| 3.2.1 PHOG特征 | 第29-32页 |
| 3.2.2 基于PHOG特征场景图像分类 | 第32页 |
| 3.3 实验研究与分析 | 第32-48页 |
| 3.3.1 不同场景图像类别研究实验 | 第32-37页 |
| 3.3.2 核函数优化探究选择实验 | 第37-43页 |
| 3.3.3 遗传算法优化支持向量机参数实验 | 第43-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 基于D-S证据理论融合场景图像多特征信息的分类 | 第49-69页 |
| 4.1 D-S证据理论 | 第49-51页 |
| 4.2 基于若干种特征向量融合的场景图像分类 | 第51-55页 |
| 4.2.1 常用的多特征向量融合方法 | 第51-52页 |
| 4.2.2 基于D-S证据理论的若干特征向量融合 | 第52-54页 |
| 4.2.3 基于D-S证据理论的融合特征的场景图像分类 | 第54-55页 |
| 4.3 基于多特征证据融合策略的场景图像分类 | 第55-58页 |
| 4.3.1 基于若干特征证据融合策略的场景图像分类 | 第55-57页 |
| 4.3.2 基于Gist和PHOG特征的证据融合决策分类 | 第57-58页 |
| 4.4 实验及结果分析 | 第58-68页 |
| 4.4.1 Gist特征·PHOG特征·证据理论融合特征分类对比实验 | 第58-62页 |
| 4.4.2 最小方差组合融合·串联融合·证据理论融合对比实验 | 第62-65页 |
| 4.4.3 基于Gist和PHOG特征的证据融合决策分类实验 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 5 总结 | 第69-71页 |
| 5.1 全文总结 | 第69页 |
| 5.2 改进与展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 在校期间发表的科研成果 | 第74-75页 |
| 致谢 | 第75页 |
