基于本体的图像检索相关技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-23页 |
| ·研究背景 | 第9-10页 |
| ·国内外研究进展 | 第10-20页 |
| ·基本文本的图像检索 | 第10页 |
| ·基于内容的图像检索技术 | 第10-16页 |
| ·基于语义的图像检索技术 | 第16-20页 |
| ·本文的主要工作及创新点 | 第20-22页 |
| ·本文主要内容及组织结构 | 第22-23页 |
| 第二章 基于本体的图象检索框架 | 第23-41页 |
| ·引言 | 第23-24页 |
| ·本体的基本概念 | 第24-27页 |
| ·本体的定义 | 第24-25页 |
| ·本体的建模元语 | 第25页 |
| ·本体的分类 | 第25-26页 |
| ·构造本体的规则 | 第26页 |
| ·本体中概念之间的关系 | 第26-27页 |
| ·本体的结构 | 第27-31页 |
| ·基于本体的图像描述 | 第31-32页 |
| ·基于本体的图像检索框架 | 第32-40页 |
| ·图像基元提取 | 第33-39页 |
| ·图像标注 | 第39页 |
| ·本体框架下的图像检索 | 第39-40页 |
| ·图像的相关反馈 | 第40页 |
| ·结论 | 第40-41页 |
| 第三章 基于信息瓶颈算法的图像基元提取 | 第41-53页 |
| ·引言 | 第41-42页 |
| ·基于信息瓶颈算法的聚类方法 | 第42-47页 |
| ·信息论基础 | 第42-44页 |
| ·信息瓶颈算法 | 第44-45页 |
| ·基于信息瓶颈算法的聚类方法 | 第45-47页 |
| ·基于信息瓶颈算法的图像基元提取 | 第47-50页 |
| ·改进的信息瓶颈算法 | 第47页 |
| ·基于信息瓶颈算法的图像分割 | 第47-50页 |
| ·实验结果 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 基于本体的图像语义自动标注 | 第53-67页 |
| ·引言 | 第53-54页 |
| ·基于本体的图像语义标注过程 | 第54-55页 |
| ·基于半监督信息瓶颈算法的图像基元聚类 | 第55-59页 |
| ·基于半监督学习聚类 | 第55-56页 |
| ·数据对象间的两种关联约束 | 第56-57页 |
| ·基于半监督信息瓶颈算法的图像基元聚类 | 第57-59页 |
| ·图像基元类与本体属性概念关联度的计算 | 第59-62页 |
| ·基于概率关系表的第一次标注 | 第62页 |
| ·基于本体的第二次标注 | 第62-63页 |
| ·实验结果 | 第63-66页 |
| ·结论 | 第66-67页 |
| 第五章 本体框架下的图像快速检索方法 | 第67-90页 |
| ·引言 | 第67-69页 |
| ·基于本体的语义查询扩展 | 第69-71页 |
| ·概念语境信息的定义 | 第70页 |
| ·结合本体与语境信息的语义扩展算法 | 第70-71页 |
| ·图像相似度的模型 | 第71-74页 |
| ·低层特征的相似度 | 第71-72页 |
| ·语义特征相似度 | 第72页 |
| ·本体概念相似度 | 第72-74页 |
| ·基于LPP VA-FILE的图像快速检索方法 | 第74-84页 |
| ·基于VA-File K近邻的检索方法 | 第75-79页 |
| ·基于LPP VA-File的图像快速检索方法 | 第79-84页 |
| ·实验结果 | 第84-89页 |
| ·结论 | 第89-90页 |
| 第六章 基于先验知识的SVM的相关反馈 | 第90-104页 |
| ·引言 | 第90-92页 |
| ·支持向量机 | 第92-94页 |
| ·基于先验知识的支持向量机的相关反馈 | 第94-99页 |
| ·结合本体先验知识的支持向量机 | 第94-96页 |
| ·短期学习的相关反馈 | 第96-97页 |
| ·长期学习的相关反馈 | 第97-99页 |
| ·实验结果与分析 | 第99-103页 |
| ·小结 | 第103-104页 |
| 第七章 总结与展望 | 第104-107页 |
| ·本文工作总结 | 第104-105页 |
| ·研究与展望 | 第105-107页 |
| 参考文献 | 第107-117页 |
| 致谢 | 第117-118页 |
| 攻读学位期间主要研究成果 | 第118页 |
