多特征融合的室内场景分类研究
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| Contents | 第11-14页 |
| 第一章 绪论 | 第14-23页 |
| ·场景分类研究背景 | 第14-15页 |
| ·室内场景分类研究背景 | 第15-17页 |
| ·室内场景分类研究意义 | 第17-18页 |
| ·室内场景分类研究现状 | 第18-21页 |
| ·基于低级特征的方法 | 第19-20页 |
| ·基于中层特征的方法 | 第20页 |
| ·基于视觉词包的方法 | 第20-21页 |
| ·论文主要工作与组织结构 | 第21-22页 |
| ·论文的主要工作 | 第21-22页 |
| ·论文的组织结构 | 第22页 |
| ·本章小结 | 第22-23页 |
| 第二章 室内场景分类算法的相关理论 | 第23-41页 |
| ·总体介绍 | 第23-24页 |
| ·SIFT特征介绍 | 第24页 |
| ·SIFT特征生成 | 第24-30页 |
| ·尺度空间的生成 | 第24-26页 |
| ·高斯金字塔的生成 | 第26-27页 |
| ·尺度空间极值点的检测 | 第27-28页 |
| ·定位精确的极值点 | 第28-29页 |
| ·为关键点指定方向参数 | 第29-30页 |
| ·生成关键点描述子 | 第30页 |
| ·主分量分析 | 第30-31页 |
| ·模糊C均值聚类 | 第31-32页 |
| ·支持向量机 | 第32-33页 |
| ·线性可分 | 第32-33页 |
| ·线性不可分 | 第33页 |
| ·PHOG特征 | 第33-35页 |
| ·图像梯度的定义 | 第34-35页 |
| ·HOG算法介绍 | 第35页 |
| ·Gist特征 | 第35-39页 |
| ·Gist概念 | 第35-37页 |
| ·Gist的计算模型 | 第37-39页 |
| ·多特征向量融合方法 | 第39-40页 |
| ·等权平均方法 | 第39页 |
| ·最小方差组合法 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第三章 基于多特征融合的室内场景分类研究 | 第41-54页 |
| ·引言 | 第41-42页 |
| ·基于局部特征的室内场景分类算法 | 第42-48页 |
| ·改进的SIFT特征 | 第42-45页 |
| ·PHOG特征提取 | 第45-48页 |
| ·基于全局特征的室内场景分类算法 | 第48-50页 |
| ·Gist特征提取 | 第48-50页 |
| ·融合多特征的室内场景分类算法 | 第50-53页 |
| ·融合多特征总体框架 | 第50-53页 |
| ·多特征融合方式 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第四章 室内场景分类实验与结果分析 | 第54-67页 |
| ·室内场景分类算法实验结果比较分析 | 第54-63页 |
| ·实验图像数据库和实验平台 | 第54-55页 |
| ·训练集与测试集的占比实验 | 第55-57页 |
| ·室内场景图像分类实验 | 第57-61页 |
| ·改进的多特征融合的室内场景分类实验 | 第61-63页 |
| ·室内场景分类的关键要素 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 结论和展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间发表的论文 | 第74-76页 |
| 致谢 | 第76页 |
