| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-12页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 本课题的研究背景及意义 | 第12-14页 |
| 1.2 本课题的发展及研究现状 | 第14-20页 |
| 1.2.1 图像检索和图像分类系统的工作原理 | 第14-15页 |
| 1.2.2 图像检索和图像分类技术的发展及现状 | 第15-17页 |
| 1.2.3 基于特征的图像表示方法的发展及研究现状 | 第17-20页 |
| 1.3 论文的主要研究内容及创新点 | 第20-22页 |
| 1.4 论文的结构安排 | 第22-23页 |
| 第二章 图像局部特征提取技术综述 | 第23-36页 |
| 2.1 引言 | 第23-24页 |
| 2.2 图像局部特征及其性质 | 第24-26页 |
| 2.3 局部特征检测算子 | 第26-30页 |
| 2.3.1 Harris 和 Hessian 检测算子 | 第26-27页 |
| 2.3.2 Harris-Laplace 和 Harris-Affine 检测算子 | 第27-28页 |
| 2.3.3 Hessian-Laplace 和 Hessian-Affine 检测算子 | 第28页 |
| 2.3.4 LoG 和 DoG 检测算子 | 第28页 |
| 2.3.5 SURF 检测算子 | 第28-29页 |
| 2.3.6 MSER 检测算子 | 第29页 |
| 2.3.7 区域采样 | 第29-30页 |
| 2.4 局部特征描述算子 | 第30-34页 |
| 2.4.1 SIFT 描述算子 | 第30-32页 |
| 2.4.2 SURF 描述算子 | 第32-33页 |
| 2.4.3 LBP 描述算子 | 第33-34页 |
| 2.4.4 HOG 描述算子 | 第34页 |
| 2.5 图像局部特征的应用 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于视觉词袋模型的图像稀疏表示方法 | 第36-55页 |
| 3.1 引言 | 第36-37页 |
| 3.2 BOVW 模型表示图像的基本概念和关键技术 | 第37-41页 |
| 3.2.1 基本概念 | 第37-39页 |
| 3.2.2 BoVW 模型表示图像的关键技术 | 第39-41页 |
| 3.3 基于聚类分析的视觉词典构造方法 | 第41-48页 |
| 3.3.1 基于 K-Means 聚类的视觉词典构造 | 第41-43页 |
| 3.3.2 基于层次 K-Means（HKM）聚类的视觉词典构造 | 第43-45页 |
| 3.3.3 基于谱聚类（Spectral Clustering）的视觉词典构造 | 第45-48页 |
| 3.4 基于向量量化技术的特征编码方法 | 第48-50页 |
| 3.4.1 特征向量硬量化方法（Hard-VQ） | 第48-49页 |
| 3.4.2 特征向量软量化方法（Soft-VQ） | 第49页 |
| 3.4.3 量化编码的集成 | 第49-50页 |
| 3.5 弱几何约束：SPM-BOVW 模型 | 第50-51页 |
| 3.6 本章实验及结果 | 第51-54页 |
| 3.7 本章小结 | 第54-55页 |
| 第四章 基于稀疏编码模型的图像稀疏表示方法 | 第55-81页 |
| 4.1 引言 | 第55-56页 |
| 4.2 稀疏编码模型的基本概念和关键技术 | 第56-60页 |
| 4.2.1 基本概念 | 第56-58页 |
| 4.2.2 SC 模型表示图像的关键技术 | 第58-60页 |
| 4.3 稀疏分解算法 | 第60-65页 |
| 4.3.1 松弛算法基追踪（BP） | 第61页 |
| 4.3.2 贪婪算法匹配追踪（MP） | 第61-63页 |
| 4.3.3 高效算法特征符号搜索（FSS） | 第63-65页 |
| 4.4 视觉词典学习方法 | 第65-69页 |
| 4.4.1 通用的词典学习过程 | 第65-66页 |
| 4.4.2 最优方向法（MOD） | 第66-67页 |
| 4.4.3 拉格朗日对偶法 | 第67-68页 |
| 4.4.4 K-SVD 算法 | 第68-69页 |
| 4.5 局部特征的稀疏编码集成方法 | 第69-71页 |
| 4.5.1 常用的特征集成方法 | 第69-70页 |
| 4.5.2 空间集成方法：SPM-SC 模型 | 第70-71页 |
| 4.6 SC 模型的非负约束改进： NNSC 模型 | 第71-76页 |
| 4.6.1 从 NMF 到 NNSC | 第71-72页 |
| 4.6.2 Hoyer 的 NNSC 学习算法 | 第72-74页 |
| 4.6.3 NNSC 图像表示模型 | 第74页 |
| 4.6.4 BoVW 模型、SC 模型及 NNSC 模型的比较及思考 | 第74-76页 |
| 4.7 本章实验及结果 | 第76-79页 |
| 4.7.1 图像检索实验及结果 | 第76-78页 |
| 4.7.2 图像分类实验及结果 | 第78-79页 |
| 4.8 本章小结 | 第79-81页 |
| 第五章 基于局部编码模型的图像稀疏表示方法 | 第81-100页 |
| 5.1 引言 | 第81页 |
| 5.2 局部编码的理论基础 | 第81-84页 |
| 5.2.1 数据流形 | 第81-82页 |
| 5.2.2 流形学习 | 第82-83页 |
| 5.2.3 局部线性嵌入（LLE） | 第83-84页 |
| 5.3 图像特征稀疏学习的局部编码方法 | 第84-89页 |
| 5.3.1 局部坐标编码（LCC） | 第84-85页 |
| 5.3.2 局部约束线性编码（LLC） | 第85-87页 |
| 5.3.3 非负稀疏局部线性编码（NSLLC） | 第87-89页 |
| 5.3.4 非负 LLC 编码（NNLLC） | 第89页 |
| 5.3.5 特征编码集成 | 第89页 |
| 5.4 基于向量差分运算的局部编码方法 | 第89-93页 |
| 5.4.1 局部超球面编码（LHC） | 第90-92页 |
| 5.4.2 局部差分编码（LDC） | 第92-93页 |
| 5.5 本章实验及结果 | 第93-99页 |
| 5.5.1 图像检索实验及结果 | 第93-96页 |
| 5.5.2 图像分类实验及结果 | 第96-99页 |
| 5.6 本章小结 | 第99-100页 |
| 第六章 图像稀疏特征学习的统一框架及推广 | 第100-116页 |
| 6.1 引言 | 第100页 |
| 6.2 图像稀疏特征学习的统一框架 | 第100-109页 |
| 6.2.1 稀疏学习的目的及实现过程 | 第100-102页 |
| 6.2.2 稀疏学习的统一框架 | 第102-104页 |
| 6.2.3 稀疏表示模型在统一框架下的具体形式 | 第104-106页 |
| 6.2.4 图像检索和分类应用中的相似性度量及分类器训练 | 第106-109页 |
| 6.3 基于图像异质局部特征的稀疏学习及其应用 | 第109-115页 |
| 6.3.1 异质局部特征及其稀疏学习 | 第110-112页 |
| 6.3.2 应用于图像检索 | 第112-113页 |
| 6.3.3 应用于图像分类 | 第113-115页 |
| 6.4 本章小结 | 第115-116页 |
| 第七章 总结与展望 | 第116-120页 |
| 7.1 本文的工作总结 | 第116-118页 |
| 7.2 进一步的工作展望 | 第118-120页 |
| 参考文献 | 第120-126页 |
| 致谢 | 第126-127页 |
| 攻读博士学位期间发表论文及参与科研情况 | 第127页 |
