致谢 | 第1-7页 |
摘要 | 第7-9页 |
Abstract | 第9-16页 |
第1章 绪论 | 第16-26页 |
·引言 | 第16-18页 |
·存在的问题及研究方向 | 第18-20页 |
·本文研究成果 | 第20-23页 |
·本文组织结构 | 第23-26页 |
第2章 图像检索综述 | 第26-44页 |
·概述 | 第26页 |
·基于文本信息的图像检索 | 第26-30页 |
·基于图像内容的图像检索 | 第30-37页 |
·图像低层视觉特征 | 第32-35页 |
·图像相似性计算方法 | 第35页 |
·典型的CBIR系统 | 第35-37页 |
·语义图像检索 | 第37-40页 |
·基于知识的语义抽取 | 第38页 |
·系统交互式语义生成 | 第38-39页 |
·基于外部信息的语义提取 | 第39-40页 |
·图像内容描述的国际标准MPEG-7 | 第40页 |
·综合文本信息和图像视觉信息的Web图像检索 | 第40-41页 |
·小结 | 第41-44页 |
第3章 基于文本和视觉信息融合的Web图像检索模型 | 第44-52页 |
·概述 | 第44页 |
·Web图像语义检索模型介绍 | 第44-50页 |
·语义知识库 | 第46-47页 |
·Web图像文本特征和语义特征的融合 | 第47-48页 |
·Web图像文本特征 | 第48-49页 |
·Web图像内容高层语义特征 | 第49-50页 |
·本章小结 | 第50-52页 |
第4章 词汇相似性计算 | 第52-78页 |
·背景 | 第52-55页 |
·词汇相似性介绍 | 第52-53页 |
·词汇相似性计算研究现状 | 第53-55页 |
·基于WordNet和基于语料库的词汇相似性计算方法对比 | 第55页 |
·基于Web检索的语义相似性计算 | 第55-61页 |
·CODC模型 | 第57-58页 |
·修正的CODC模型 | 第58-61页 |
·Snippet分类 | 第61-70页 |
·Snippet分类特点 | 第61-62页 |
·支持向量机(SVM) | 第62-63页 |
·加权特征模型 | 第63-67页 |
·训练库自动构建 | 第67-70页 |
·实验 | 第70-76页 |
·实验数据 | 第70-71页 |
·实验结果和讨论 | 第71-76页 |
·本章小结 | 第76-78页 |
第5章 Web图像自动加权标注模型 | 第78-108页 |
·概述 | 第78-80页 |
·图像自动标注定义 | 第78-79页 |
·图像自动标注技术研究现状 | 第79-80页 |
·图像分割 | 第80-81页 |
·图像视觉特征 | 第81-82页 |
·颜色特征 | 第81-82页 |
·纹理特征 | 第82页 |
·形状特征 | 第82页 |
·图像加权标注模型(IWAM) | 第82-99页 |
·标注模型框架介绍 | 第83-84页 |
·TM模型 | 第84-87页 |
·NCRM模型 | 第87-91页 |
·MBRM模型 | 第91-92页 |
·HMAM模型 | 第92-94页 |
·NFM模型 | 第94-99页 |
·实验 | 第99-106页 |
·实验数据 | 第99-101页 |
·实验安装 | 第101页 |
·实验内容与结果讨论 | 第101-106页 |
·本章小结 | 第106-108页 |
第6章 基于推理网的Web图像检索 | 第108-135页 |
·概述 | 第108-110页 |
·Web图像检索系统 | 第110-127页 |
·Web图像检索系统设计 | 第110-112页 |
·检索模型框架介绍 | 第112-114页 |
·Web图像文本特征 | 第114-116页 |
·Web图像高层语义特征 | 第116-117页 |
·贝叶斯推理网模型 | 第117-121页 |
·基于贝叶斯推理网的Web图像语义检索模型 | 第121-127页 |
·实验 | 第127-134页 |
·实验内容和模型 | 第127-128页 |
·实验数据 | 第128-129页 |
·实验结果与讨论 | 第129-134页 |
·本章小结 | 第134-135页 |
第7章 总结和展望 | 第135-137页 |
·总结 | 第135-136页 |
·展望 | 第136-137页 |
参考文献 | 第137-146页 |
攻读博士学位期间主要的研究成果 | 第146-149页 |
学术论文 | 第146-147页 |
发明专利 | 第147-148页 |
软件著作权 | 第148页 |
科研项目 | 第148-149页 |
作者简历 | 第149页 |