| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 图像分类的研究现状 | 第11-13页 |
| 1.2.2 粗糙集的研究现状 | 第13-15页 |
| 1.3 论文研究内容及组织结构 | 第15-17页 |
| 第2章 基础理论概述 | 第17-31页 |
| 2.1 图像的特征提取方法 | 第17-22页 |
| 2.1.1 SIFT特征提取方法 | 第17-19页 |
| 2.1.2 SURF特征提取方法 | 第19-21页 |
| 2.1.3 HOG特征提取方法 | 第21-22页 |
| 2.2 邻域粗糙集基本理论及特征选择算法 | 第22-26页 |
| 2.2.1 邻域粗糙集基本理论 | 第22-25页 |
| 2.2.2 邻域粗糙集特征选择算法 | 第25-26页 |
| 2.3 图像空间金字塔匹配模型 | 第26-28页 |
| 2.4 极限学习机 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 邻域粗糙集特征选择算法在图像分类中的应用 | 第31-49页 |
| 3.1 本章研究方法 | 第31-37页 |
| 3.1.1 特征融合方法 | 第32-33页 |
| 3.1.2 基于不一致邻域的图像特征选择算法 | 第33-36页 |
| 3.1.3 基于邻域粗糙集特征选择的图像分类方法 | 第36-37页 |
| 3.2 数据集及实验设置 | 第37-38页 |
| 3.3 实验与分析 | 第38-48页 |
| 3.3.1 空间视觉词典大小及特征提取方法对分类准确率的影响 | 第39-40页 |
| 3.3.2 特征选择算法参数选取对图像分类的影响 | 第40-42页 |
| 3.3.3 邻域粗糙集特征选择算法对图像分类的影响 | 第42-45页 |
| 3.3.4 与其他特征选择方法在图像分类中的对比 | 第45-46页 |
| 3.3.5 与其他研究者方法平均分类准确率对比 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于条件熵的增量学习算法在图像分类中的应用 | 第49-61页 |
| 4.1 本章研究方法 | 第49-54页 |
| 4.1.1 基于条件熵增量学习的图像特征选择算法 | 第50-53页 |
| 4.1.2 基于条件熵增量学习的图像分类方法 | 第53-54页 |
| 4.2 数据集及实验设置 | 第54页 |
| 4.3 实验与分析 | 第54-60页 |
| 4.3.1 新增图像中没有新的种类 | 第54-57页 |
| 4.3.2 新增图像中有新的种类 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 全文总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 攻读硕士学位期间发表的论文 | 第71页 |
