基于颜色恒常和多示例学习的自动图像标注算法研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-17页 |
| ·研究背景 | 第10-12页 |
| ·研究现状 | 第12-15页 |
| ·基于全局特征的图像标注 | 第12-13页 |
| ·基于分块/区域的图像标注 | 第13-14页 |
| ·基于多示例学习的图像标注 | 第14-15页 |
| ·论文研究内容 | 第15-16页 |
| ·论文组织结构 | 第16-17页 |
| 2 颜色恒常性理论研究以及底层特征描述 | 第17-38页 |
| ·颜色恒常理论基础 | 第17-23页 |
| ·色度学理论 | 第17-20页 |
| ·颜色传感器数学模型 | 第20-21页 |
| ·von Kries色系数定律(对角模型) | 第21-23页 |
| ·颜色恒常性计算算法介绍 | 第23-31页 |
| ·基于灰度世界(Grey-World)假设的算法 | 第23-25页 |
| ·基于灰度边缘(Grey-Edge)假设的算法 | 第25-27页 |
| ·其它颜色恒常性计算算法 | 第27-31页 |
| ·底层特征描述 | 第31-37页 |
| ·颜色特征 | 第32-33页 |
| ·纹理特征 | 第33-37页 |
| ·本章小结 | 第37-38页 |
| 3 自动图像标注算法 | 第38-51页 |
| ·概述 | 第38页 |
| ·颜色恒常处理 | 第38-39页 |
| ·图像分块与底层特征提取 | 第39-41页 |
| ·多示例学习与包特征计算 | 第41-47页 |
| ·Enhanced EM-DD算法 | 第41-44页 |
| ·示例原型的学习 | 第44-45页 |
| ·包特征 | 第45-47页 |
| ·支持向量机 | 第47-50页 |
| ·最优超平面 | 第47-49页 |
| ·线性不可分情况的处理 | 第49页 |
| ·非线性支持向量机 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 4 实验结果及分析 | 第51-59页 |
| ·实验数据集介绍 | 第51页 |
| ·实验环境与评估方法 | 第51-53页 |
| ·实验环境 | 第51-52页 |
| ·评估方法 | 第52-53页 |
| ·策略评估 | 第53-56页 |
| ·图像分块策略的评估 | 第53-55页 |
| ·颜色恒常算法的评估 | 第55-56页 |
| ·标注结果与分析 | 第56-58页 |
| ·时间复杂度分析 | 第58-59页 |
| 5 结论 | 第59-61页 |
| ·论文小结 | 第59-60页 |
| ·进一步展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 学位论文数据集 | 第65页 |
