| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 场景识别的研究背景和意义 | 第9-10页 |
| 1.2 室内场景识别的研究现状 | 第10-12页 |
| 1.3 论文的主要工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关原理知识 | 第14-21页 |
| 2.1 图像分类系统 | 第14页 |
| 2.2 显著性检测介绍 | 第14-17页 |
| 2.3 常用分类算法 | 第17-20页 |
| 2.3.1 KNN分类算法 | 第17页 |
| 2.3.2 SVM分类算法 | 第17-18页 |
| 2.3.3 稀疏表示分类算法 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 针对室内场景的显著性检测算法 | 第21-34页 |
| 3.1 显著性检测介绍 | 第21-25页 |
| 3.1.1 显著性特征描述方法 | 第22-24页 |
| 3.1.2 视觉显著性检测原理 | 第24-25页 |
| 3.2 代表性的显著性检测方法 | 第25-32页 |
| 3.2.1 IT算法 | 第25-27页 |
| 3.2.2 FT（Frequency- tuned）算法 | 第27-29页 |
| 3.2.3 DRFI显著性检测方法 | 第29-32页 |
| 3.2.4 各算法效果对比分析 | 第32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 适用于显著性检测的稀疏分类方法 | 第34-47页 |
| 4.1 稀疏表示概述 | 第34-35页 |
| 4.2 字典学习 | 第35-39页 |
| 4.2.1 最优方向算法 | 第36-37页 |
| 4.2.2 K-奇异值分解算法 | 第37-39页 |
| 4.3 稀疏求解 | 第39-44页 |
| 4.3.1 贪婪算法 | 第40-42页 |
| 4.3.2 凸松弛算法 | 第42-44页 |
| 4.4 各分类方法与显著性检测结合效果分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于显著性检测的室内场景稀疏分类系统 | 第47-55页 |
| 5.1 系统的基本框架 | 第47-48页 |
| 5.2 图像数据库介绍 | 第48-49页 |
| 5.3 实验结果与数据分析 | 第49-54页 |
| 5.3.1 实验场景设置 | 第49-50页 |
| 5.3.2 实验结果与数据分析 | 第50-53页 |
| 5.3.3 实验效果对比 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55页 |
| 6.2 工作展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第60-61页 |
| 致谢 | 第61页 |