| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 引言 | 第10页 |
| 1.2 研究意义和目的 | 第10-12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.4 难点问题 | 第14-16页 |
| 1.5 本文研究工作 | 第16-17页 |
| 1.6 本文组织结构安排 | 第17-18页 |
| 第二章 图像分割和底层特征提取 | 第18-34页 |
| 2.1 超像素的引进 | 第18-22页 |
| 2.1.1 图像分割 | 第18-19页 |
| 2.1.2 归一化割介绍 | 第19-22页 |
| 2.2 底层特征提取 | 第22-33页 |
| 2.2.1 颜色特征提取 | 第22-25页 |
| 2.2.1.1 常用的颜色特征表述方法 | 第22-24页 |
| 2.2.1.2 RGB颜色空间简述 | 第24-25页 |
| 2.2.1.3 本文颜色特征提取方法 | 第25页 |
| 2.2.2 纹理特征提取 | 第25-28页 |
| 2.2.2.1 常用的纹理特征表述方法 | 第26-27页 |
| 2.2.2.2 本文纹理特征提取方法 | 第27-28页 |
| 2.2.3 尺度不变特征变换 | 第28-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 SP-HPGM模型构建、推导与生成方法 | 第34-50页 |
| 3.1 视觉词包(Bag of Visual Words) | 第34-35页 |
| 3.2 特征表现与视觉词语形成 | 第35-39页 |
| 3.2.1 K-means聚类算法 | 第35-36页 |
| 3.2.2 区域视觉特征表示方法 | 第36-37页 |
| 3.2.3 视觉词语间的空间信息 | 第37-38页 |
| 3.2.4 视觉词语的多义和同义问题 | 第38-39页 |
| 3.3 场景图像的层次化描述 | 第39-40页 |
| 3.4 概率生成模型 | 第40-42页 |
| 3.5 图模型相关理论 | 第42-43页 |
| 3.6 基于超像素分割的层次化概率生成模型(SP-HPGM) | 第43-46页 |
| 3.6.1 基本定义和变量规范 | 第43-44页 |
| 3.6.2 SP-HPGM的模型结构 | 第44-45页 |
| 3.6.3 SP-HPGM模型推导 | 第45-46页 |
| 3.7 模型实现方法描述 | 第46-49页 |
| 3.8 本章小结 | 第49-50页 |
| 第四章 实验结果分析与讨论 | 第50-55页 |
| 4.1 对象识别性能的比较 | 第50-51页 |
| 4.2 场景分类性能的比较 | 第51-53页 |
| 4.2.1 平均分类精度的比较 | 第51-52页 |
| 4.2.2 对象识别精度对平均分类精度的影响 | 第52页 |
| 4.2.3 分类混淆矩阵与分类稳定性的比较 | 第52-53页 |
| 4.3 和其它模型的对比 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 总结和展望 | 第55-56页 |
| 5.1 论文总结 | 第55页 |
| 5.2 论文展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间所取得的学术成果 | 第60-61页 |
| 致谢 | 第61页 |