| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 主要内容与创新点 | 第12-13页 |
| 第2章 概率主题模型及分类技术介绍 | 第13-24页 |
| 2.1 概率主题模型介绍 | 第13-17页 |
| 2.1.1 概率潜在语义分析(PLSA)模型 | 第13-15页 |
| 2.1.2 隐狄利克雷分布(LDA)模型 | 第15-17页 |
| 2.2 图像分类技术 | 第17-23页 |
| 2.2.1 K近邻(KNN)分类器 | 第17-19页 |
| 2.2.2 支持向量机(SVM)分类器 | 第19-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于混合框架和多特征融合的图像场景分类 | 第24-42页 |
| 3.1 特征提取与表示 | 第24-29页 |
| 3.1.1 颜色特征 | 第24-27页 |
| 3.1.2 基于链码的空间形状特征提取 | 第27-29页 |
| 3.1.3 颜色和空间形状特征组合表示 | 第29页 |
| 3.2 KNN-SVM分类器 | 第29-31页 |
| 3.3 基于PLSA混合框架的图像场景分类 | 第31-35页 |
| 3.3.1 实验数据集的选择 | 第31-33页 |
| 3.3.2 PLSA分类过程 | 第33-35页 |
| 3.4 实验结果比较与分析 | 第35-40页 |
| 3.4.1 最优化参数 | 第36-37页 |
| 3.4.2 不同类别的分类结果比较 | 第37页 |
| 3.4.3 颜色和空间形状特征的分类结果比较 | 第37-39页 |
| 3.4.4 KNN、SVM和KNN-SVM分类结果比较 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于LDA模型的图像场景分类 | 第42-50页 |
| 4.1 SIFT特征 | 第42-45页 |
| 4.2 LDA场景分类 | 第45-47页 |
| 4.3 实验结果比较与分析 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 本文工作总结 | 第50-51页 |
| 5.2 下一步工作展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 攻读硕士学位期间的科研成果 | 第57-58页 |
| 致谢 | 第58-59页 |