基于语义的图像分类技术的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 应用领域 | 第9-11页 |
| 1.1.2 技术难点 | 第11页 |
| 1.2 基于语义的图像分类的研究内容与现状 | 第11-19页 |
| 1.2.1 图像底层特征 | 第13-16页 |
| 1.2.2 视觉词典 | 第16-18页 |
| 1.2.3 图像语义分析 | 第18-19页 |
| 1.3 本文主要工作与章节安排 | 第19-21页 |
| 第二章 图像底层特征提取 | 第21-37页 |
| 2.1 局部特征 | 第21-28页 |
| 2.1.1 SURF特征检测 | 第22-26页 |
| 2.1.2 SURF特征描述 | 第26-28页 |
| 2.1.3 SURF特征匹配 | 第28页 |
| 2.2 颜色空间 | 第28-31页 |
| 2.2.1 RGB模型 | 第29-30页 |
| 2.2.2 HSV颜色模型 | 第30-31页 |
| 2.3 基于HSV颜色量化矩阵的SURF特征 | 第31-35页 |
| 2.3.1 HSV颜色空间量化 | 第31-32页 |
| 2.3.2 基于HSV颜色量化矩阵的SURF特征 | 第32-33页 |
| 2.3.3 仿真实验及结果分析 | 第33-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 视觉词典 | 第37-51页 |
| 3.1 视觉词典 | 第37-38页 |
| 3.2 聚类算法 | 第38-42页 |
| 3.2.1 K均值聚类 | 第39-40页 |
| 3.2.2 K均值算法的优缺点 | 第40-41页 |
| 3.2.3 相似性度量方法 | 第41-42页 |
| 3.3 粒子群算法 | 第42-45页 |
| 3.4 基于粒子群优化的视觉词典生成算法 | 第45-46页 |
| 3.5 实验方法及结果分析 | 第46-48页 |
| 3.5.1 实验方法 | 第46-47页 |
| 3.5.2 实验结果分析 | 第47-48页 |
| 3.6 本章小结 | 第48-51页 |
| 第四章 语义潜在主题分析 | 第51-65页 |
| 4.1 pLSA模型 | 第52-58页 |
| 4.1.1 LSA模型 | 第52-54页 |
| 4.1.2 EM算法 | 第54-55页 |
| 4.1.3 pLSA模型 | 第55-58页 |
| 4.2 MMI模型 | 第58-60页 |
| 4.2.1 互信息 | 第58-59页 |
| 4.2.2 最大互信息联合聚类 | 第59-60页 |
| 4.3 仿真实验及结果分析 | 第60-62页 |
| 4.4 基于语义的图像分类系统 | 第62-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 作者攻读硕士期间发表的论文 | 第73页 |
