| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 前言 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 稀疏表达的研究现状 | 第9-11页 |
| 1.3 图像场景分类的研究现状 | 第11-13页 |
| 1.4 论文的研究目标和内容 | 第13-15页 |
| 第二章 图像场景分类的概况描述 | 第15-20页 |
| 2.1 图像场景分类的定义 | 第15-17页 |
| 2.1.1 什么是场景 | 第15页 |
| 2.1.2 场景分类的困难与挑战 | 第15-17页 |
| 2.2 图像场景分类的意义 | 第17-18页 |
| 2.3 图像场景分类的现有方法 | 第18-20页 |
| 2.3.1 图像底层特征建模 | 第18-19页 |
| 2.3.2 图像的中层语义建模 | 第19-20页 |
| 第三章 稀疏表达算法研究 | 第20-29页 |
| 3.1 稀疏编码的研究发展过程 | 第20-21页 |
| 3.2 稀疏表达的数学描述 | 第21-23页 |
| 3.2.1 模型公式化 | 第21页 |
| 3.2.2 算法求解 | 第21-22页 |
| 3.2.3 标准目标函数 | 第22-23页 |
| 3.3 稀疏表达的应用 | 第23-24页 |
| 3.4 非负稀疏表达算法 | 第24-29页 |
| 3.4.1 非负矩阵分解 | 第25-26页 |
| 3.4.2 非负稀疏编码模型 | 第26-29页 |
| 第四章 图像场景分类算法的设计与实现 | 第29-54页 |
| 4.1 本文算法的概述 | 第29页 |
| 4.2 场景图像分类特征 | 第29-36页 |
| 4.2.1 颜色特征 | 第29-30页 |
| 4.2.2 形状特征 | 第30-31页 |
| 4.2.3 局部SIFT特征 | 第31-36页 |
| 4.3 词包模型 | 第36-38页 |
| 4.4 字典训练方法 | 第38-45页 |
| 4.4.1 K-means算法 | 第39页 |
| 4.4.2 K-S VD算法 | 第39-41页 |
| 4.4.3 Online Dictionary Learning | 第41-45页 |
| 4.5 空间金字塔模型匹配算法 | 第45-47页 |
| 4.5.1 金字塔匹配模型 | 第45-47页 |
| 4.6 非负稀疏编码用于图像场景分类 | 第47-54页 |
| 4.6.1 SIFT特征的编码 | 第48-49页 |
| 4.6.2 非负稀疏编码 | 第49-51页 |
| 4.6.3 线性SPM | 第51-52页 |
| 4.6.4 支持向量机 | 第52-54页 |
| 第五章 实验 | 第54-61页 |
| 5.1 数据库 | 第54-56页 |
| 5.1.1 15类场景图 | 第54页 |
| 5.1.2 Calt ech101 | 第54-55页 |
| 5.1.3 UIUC-Sport | 第55-56页 |
| 5.2 实验设计 | 第56页 |
| 5.3 实验结果与分析 | 第56-60页 |
| 5.4 实验总结 | 第60-61页 |
| 总结与展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67页 |