| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 选题背景及研究意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 论文章节安排 | 第13-14页 |
| 第二章 相关技术综述 | 第14-26页 |
| 2.1 基于语义的图像检索 | 第14-16页 |
| 2.1.1 图像语义层次 | 第14-15页 |
| 2.1.2 图像语义的提取方法 | 第15页 |
| 2.1.3 图像语义的表示方法 | 第15-16页 |
| 2.2 语义Web(语义网 Semantic Web) | 第16-18页 |
| 2.3 本体技术 | 第18-23页 |
| 2.3.1 本体的简介 | 第18-19页 |
| 2.3.2 领域本体模型 CIDOC CRM | 第19-20页 |
| 2.3.3 本体的描述语言 | 第20-21页 |
| 2.3.4 本体的描述逻辑 | 第21页 |
| 2.3.5 本体的推理机 Jena | 第21-23页 |
| 2.4 SPARQL查询语言 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于本体的图像语义智能检索系统模型 | 第26-42页 |
| 3.1 模型设计目标 | 第26-27页 |
| 3.2 模型设计方案 | 第27-32页 |
| 3.2.1 图像语义资源描述树 | 第27-29页 |
| 3.2.2 图像领域本体模型构建 | 第29-31页 |
| 3.2.3 推理方案 | 第31-32页 |
| 3.3 利用支持向量机理论实现图像分类与图像语义半自动标注 | 第32-39页 |
| 3.3.1 支持向量机理论 | 第32-34页 |
| 3.3.2 图像分类 | 第34-35页 |
| 3.3.3 图像语义人工半自动标注方法 | 第35-39页 |
| 3.4 资源本体元模型设计 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 智能图像语义检索实验系统 | 第42-62页 |
| 4.1 引言 | 第42页 |
| 4.2 系统框架设计 | 第42-43页 |
| 4.3 系统开发平台与工具 | 第43页 |
| 4.4 内容展示系统 | 第43-44页 |
| 4.5 知识处理系统 | 第44-50页 |
| 4.6 知识存储系统 | 第50-55页 |
| 4.6.1 Ontology构建与编辑工具介绍 | 第51页 |
| 4.6.2 Ontology编码实现 | 第51-54页 |
| 4.6.3 扩充知识库具体实现 | 第54-55页 |
| 4.7 实验介绍 | 第55-61页 |
| 4.7.1 关键问题与解决方法 | 第55-57页 |
| 4.7.2 实验结果分析 | 第57-61页 |
| 4.8 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 本文总结 | 第62页 |
| 5.2 进一步的工作 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士期间发表论文 | 第69页 |