| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 图像检索技术的发展 | 第10-11页 |
| 1.3 基于内容的图像检索技术国内外的研究现状 | 第11-12页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12页 |
| 1.4 聚类算法在图像检索中的应用 | 第12-13页 |
| 1.5 基于内容的图像检索的主要研究方向 | 第13-15页 |
| 1.6 本论文的研究内容 | 第15-17页 |
| 第2章 基于内容的图像检索的相关技术 | 第17-26页 |
| 2.1 基于内容的图像检索的原理及系统框图 | 第17-18页 |
| 2.2 图像特征提取 | 第18-23页 |
| 2.2.1 颜色特征 | 第18-19页 |
| 2.2.2 纹理特征 | 第19-21页 |
| 2.2.3 形状特征 | 第21-23页 |
| 2.3 图像的相似性度量 | 第23-24页 |
| 2.4 图像检索的评价性能指标 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于颜色直方图和Tamura算法的特征提取 | 第26-36页 |
| 3.1 颜色直方图的特征提取 | 第26-32页 |
| 3.1.1 常见的颜色空间 | 第26-29页 |
| 3.1.2 颜色空间的选取与颜色的量化 | 第29-32页 |
| 3.2 改进的Tamura算法的纹理特征 | 第32-35页 |
| 3.3 两种特征的结合 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 改进的GHSOM聚类算法 | 第36-48页 |
| 4.1 引言 | 第36-38页 |
| 4.2 自组织分层神经网络(GHSOM) | 第38-40页 |
| 4.2.1 SOM训练 | 第38-39页 |
| 4.2.2 GHSOM的水平生长 | 第39-40页 |
| 4.3 基于赤池弘次信息准则的自组织分层神经网络 | 第40-43页 |
| 4.3.1 赤池弘次信息准则 | 第40-42页 |
| 4.3.2 水平生长参数的选择 | 第42页 |
| 4.3.3 基于赤池弘次信息准则的自组织分层神经网络 | 第42-43页 |
| 4.4 实验结果 | 第43-46页 |
| 4.4.1 人工数据集实验结果 | 第43-46页 |
| 4.4.2 动物园数据集实验结果 | 第46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 基于改进的GHSOM算法的图像检索 | 第48-56页 |
| 5.1 基于改进的GHSOM算法的图像检索的结构框图 | 第48页 |
| 5.2 相似类的搜索 | 第48-49页 |
| 5.3 实验结果 | 第49-55页 |
| 5.3.1 图像的聚类 | 第49-53页 |
| 5.3.2 图像的检索 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 进一步工作方向 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 作者在攻读硕士学細间的学术成果 | 第64页 |
