| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 场景图像分类的方法 | 第10-12页 |
| 1.2.1 基于图像的全局低级特征的方法 | 第10-11页 |
| 1.2.2 基于图像区域分割的方法 | 第11页 |
| 1.2.3 基于图像块的视觉词汇表示法 | 第11-12页 |
| 1.3 场景图像分类面临的问题 | 第12-14页 |
| 1.4 论文的主要工作 | 第14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 1.6 本章小结 | 第15-16页 |
| 第二章 基于BOW模型的场景图像分类 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 BOW模型 | 第16-20页 |
| 2.2.1 图像获取 | 第17-18页 |
| 2.2.2 特征提取 | 第18-19页 |
| 2.2.3 图像表示 | 第19页 |
| 2.2.4 图像分类 | 第19-20页 |
| 2.3 BOW模型在场景图像分类中的应用 | 第20-26页 |
| 2.3.1 SIFT特征提取算法 | 第21-24页 |
| 2.3.2 K-means聚类算法 | 第24-25页 |
| 2.3.3 SVM分类器 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于GPCA-SIFT算法的场景图像分类 | 第27-35页 |
| 3.1 引言 | 第27-28页 |
| 3.2 相关工作 | 第28-30页 |
| 3.2.1 PCA-SIFT算法 | 第28-29页 |
| 3.2.2 GPCA算法 | 第29-30页 |
| 3.3 GPCA-SIFT算法 | 第30页 |
| 3.4 实验及结果 | 第30-34页 |
| 3.4.1 数据库介绍 | 第31-32页 |
| 3.4.2 算法评估与参数讨论 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于改进K-means聚类算法的场景图像分类 | 第35-44页 |
| 4.1 引言 | 第35-36页 |
| 4.2 基于密度的快速聚类算法 | 第36-38页 |
| 4.3 改进的K-means聚类算法 | 第38页 |
| 4.4 实验及结果 | 第38-42页 |
| 4.4.1 在MIT Scene库上的实验 | 第39-40页 |
| 4.4.2 在Fifteen Scene Categories库上的实验 | 第40-42页 |
| 4.4.3 算法评估与参数讨论 | 第42页 |
| 4.5 本章小结 | 第42-44页 |
| 第五章 基于稀疏编码的场景图像分类 | 第44-56页 |
| 5.1 引言 | 第44-45页 |
| 5.2 相关工作 | 第45-48页 |
| 5.2.1 矢量量化编码 | 第45页 |
| 5.2.2 稀疏编码 | 第45-47页 |
| 5.2.3 局部约束线性编码 | 第47-48页 |
| 5.3 改进的局部约束线性编码 | 第48-49页 |
| 5.4 基于改进稀疏编码的场景图像分类 | 第49-53页 |
| 5.4.1 字典构建 | 第50-51页 |
| 5.4.2 特征编码 | 第51页 |
| 5.4.3 空间汇总 | 第51-53页 |
| 5.5 实验及结果 | 第53-55页 |
| 5.5.1 数据库介绍 | 第53页 |
| 5.5.2 算法评估与参数讨论 | 第53-55页 |
| 5.6 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 作者简介 | 第64页 |