基于多分类支持向量机和视觉词典的图像分类系统研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-12页 |
| 1.1.1 图像分类的实用性 | 第10-11页 |
| 1.1.2 图像分类的技术难点 | 第11-12页 |
| 1.2 研究内容与现状 | 第12-17页 |
| 1.2.1 图像特征提取 | 第12-14页 |
| 1.2.2 图像视觉词典 | 第14-15页 |
| 1.2.3 分类方法 | 第15-17页 |
| 1.3 本文的主要工作与章节安排 | 第17-18页 |
| 1.4 课题来源 | 第18-19页 |
| 第二章 图像分类方法研究 | 第19-33页 |
| 2.1 朴素贝叶斯分类器 | 第19-20页 |
| 2.2 Adaboost 分类器 | 第20-22页 |
| 2.3 K近邻算法 | 第22-23页 |
| 2.4 支持向量机 | 第23-30页 |
| 2.4.1 线性分类 | 第24-25页 |
| 2.4.2 非线性分类 | 第25-26页 |
| 2.4.3 多分类支持向量机 | 第26-30页 |
| 2.5 本章小结 | 第30-33页 |
| 第三章 图像特征提取与描述 | 第33-53页 |
| 3.1 颜色特征 | 第33-39页 |
| 3.1.1 颜色模型 | 第33-37页 |
| 3.1.2 几种常用的图像颜色特征提取方法 | 第37-39页 |
| 3.2 纹理特征 | 第39-41页 |
| 3.3 形状特征 | 第41-42页 |
| 3.4 图像局部特征描述 | 第42-51页 |
| 3.4.1 SIFT特征提取 | 第42-45页 |
| 3.4.2 SURF特征提取 | 第45-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于视觉词典的图像分类 | 第53-69页 |
| 4.1 基于类属视觉词的视觉词典 | 第53-55页 |
| 4.1.1 视觉词典生成框架 | 第53-54页 |
| 4.1.2 特征选择 | 第54-55页 |
| 4.2 基于特征点显著度的类属视觉词典生成算法 | 第55-60页 |
| 4.2.1 特征点的显著度度量方式 | 第56-59页 |
| 4.2.2 类属视觉词典的视觉词提取 | 第59-60页 |
| 4.3 基于类属视觉词典的分类器设计 | 第60-61页 |
| 4.4 实验方法与结果 | 第61-67页 |
| 4.4.1 图像分类系统搭建 | 第61-63页 |
| 4.4.2 图像数据库 | 第63页 |
| 4.4.3 特征描述子 | 第63页 |
| 4.4.4 实验设置 | 第63-64页 |
| 4.4.5 实验结果及分析 | 第64-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 本文工作总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者攻读硕士学位期间发表的论文 | 第77页 |
