基于Laplacian稀疏编码的图像分类研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 图像分类国内外研究现状 | 第11-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文的章节安排 | 第16-18页 |
| 第2章 SIFT理论和典型的编码方法 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 尺度不变特征转换(SIFT) | 第18-23页 |
| 2.2.1 构建尺度空间 | 第18-20页 |
| 2.2.2 检测极值点 | 第20页 |
| 2.2.3 确定关键点及方向 | 第20-23页 |
| 2.2.4 生成关键点描述子向量 | 第23页 |
| 2.3 几种典型的编码方法 | 第23-28页 |
| 2.3.1 非负矩阵分解(NMF) | 第24页 |
| 2.3.2 稀疏编码(SC) | 第24-25页 |
| 2.3.3 局部约束线性编码(LLC) | 第25-26页 |
| 2.3.4 Laplacian稀疏编码(LSC) | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 融合局部性和非负性的LSC算法 | 第29-44页 |
| 3.1 训练局部性约束的非负字典 | 第29-33页 |
| 3.1.1 LN-LSC模型 | 第30-31页 |
| 3.1.2 LN-LSC模型的求解 | 第31-32页 |
| 3.1.3 LN-LSC算法 | 第32-33页 |
| 3.2 基于新特征的LN-LSC | 第33-34页 |
| 3.3 利用SPD进行MP | 第34-36页 |
| 3.4 实验 | 第36-42页 |
| 3.4.1 实验设置 | 第36-37页 |
| 3.4.2 实验数据集 | 第37-39页 |
| 3.4.3 实验结果与分析 | 第39-42页 |
| 3.5 LN-LSC算法的性能分析 | 第42-43页 |
| 3.5.1 稳定性分析 | 第42-43页 |
| 3.5.2 复杂度分析 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于上下文信息的联合图像分类 | 第44-52页 |
| 4.1 基于上下文信息的联合图像分类 | 第45-46页 |
| 4.1.1 构建联合空间 | 第45-46页 |
| 4.1.2 将图像投影到联合空间 | 第46页 |
| 4.1.3 连接所有联合空间 | 第46页 |
| 4.2 LN-LSC-CI算法 | 第46页 |
| 4.3 仿真实验 | 第46-50页 |
| 4.3.1 实验设置 | 第47页 |
| 4.3.2 实验结果与分析 | 第47-50页 |
| 4.4 算法的复杂度分析 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52-53页 |
| 5.2 本文的工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表论文情况 | 第60页 |
