| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 选题背景与研究意义 | 第8-9页 |
| 1.2 研究现状分析 | 第9-12页 |
| 1.2.1 图像分类的研究现状 | 第9-11页 |
| 1.2.2 图像分类的应用 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 组织结构 | 第13-15页 |
| 第二章 图像分类概述 | 第15-25页 |
| 2.1 几种常见的特征提取方法 | 第15-19页 |
| 2.1.1 颜色特征 | 第15-16页 |
| 2.1.2 形状特征 | 第16-17页 |
| 2.1.3 纹理特征 | 第17-18页 |
| 2.1.4 空间关系特征 | 第18-19页 |
| 2.1.5 多特征融合 | 第19页 |
| 2.2 图像的分类 | 第19-24页 |
| 2.2.1 无监督分类 | 第19-20页 |
| 2.2.2 监督分类 | 第20-23页 |
| 2.2.3 半监督分类 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于Daubechies小波的快速PCA和SVM的分类算法 | 第25-36页 |
| 3.1 特征提取 | 第26-28页 |
| 3.2 降维处理 | 第28-29页 |
| 3.3 分类模型的建立 | 第29-30页 |
| 3.4 DW-FPSVM算法流程 | 第30-31页 |
| 3.5 实验数据及参数设置 | 第31-32页 |
| 3.5.1 实验环境及数据库 | 第31页 |
| 3.5.2 实验参数设置 | 第31-32页 |
| 3.6 实验结果及分析 | 第32-34页 |
| 3.6.1 算法准确性的研究 | 第32-33页 |
| 3.6.2 算法稳固性研究 | 第33-34页 |
| 3.6.3 分类耗时的研究 | 第34页 |
| 3.7 本章小结 | 第34-36页 |
| 第四章 深层次特征学习的Adaboost图像分类算法 | 第36-50页 |
| 4.1 引言 | 第36-37页 |
| 4.2 算法理论 | 第37-41页 |
| 4.2.1 DBN网络模型 | 第37-40页 |
| 4.2.2 Adaboost算法 | 第40-41页 |
| 4.3 AICDFL算法流程 | 第41-42页 |
| 4.4 实验数据集及参数设置 | 第42-44页 |
| 4.4.1 实验环境及数据集参数设置 | 第42-43页 |
| 4.4.2 实验数据集 | 第43-44页 |
| 4.5 实验结果与分析 | 第44-49页 |
| 4.5.1 重构误差分析 | 第44页 |
| 4.5.2 MNIST数据集底层特征分析 | 第44-46页 |
| 4.5.3 AICDFL与4种算法的准确率对比 | 第46-47页 |
| 4.5.4 ETH-80 底层特征分析 | 第47-48页 |
| 4.5.5 AICDFL算法与4种算法的准确率对比 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 本文总结 | 第50页 |
| 5.2 未来展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间的研究成果 | 第57-58页 |
