| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-18页 |
| ·图像分类概述 | 第8-14页 |
| ·图像分类的应用前景 | 第9-10页 |
| ·图像分类的研究难点 | 第10-11页 |
| ·图像分类的研究方法和现状 | 第11-14页 |
| ·基于图像底层特征的图像分类方法概述 | 第14-15页 |
| ·论文研究内容及章节安排 | 第15-18页 |
| 第二章 图像分类的相关技术 | 第18-34页 |
| ·图像的基本特征 | 第18-25页 |
| ·图像特征的特点及匹配方法 | 第19页 |
| ·全局特征与局部特征 | 第19-20页 |
| ·SIFT 描述子 | 第20-25页 |
| ·用于图像分类的分类方法 | 第25-28页 |
| ·朴素 Bayes 分类方法 | 第25-26页 |
| ·BP 神经网络分类方法 | 第26-27页 |
| ·支撑矢量机 SVM 分类方法 | 第27-28页 |
| ·稀疏编码 | 第28-29页 |
| ·图像分类的数据集 | 第29-32页 |
| ·Caltech-101 数据集 | 第29-30页 |
| ·Caltech-256 数据集 | 第30-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 基于 SIFT 特征和稀疏编码的级联空间最大化池 | 第34-46页 |
| ·图像描述的构建 | 第34-41页 |
| ·SIFT 特征的提取 | 第35-36页 |
| ·空间金字塔最大化池 | 第36-37页 |
| ·K-SVD 字典训练和稀疏编码 | 第37-39页 |
| ·基于 SIFT 特征和稀疏编码的级联空间最大化池的图像描述 | 第39-41页 |
| ·基于 SIFT 特征和稀疏编码的图像分类 | 第41-43页 |
| ·实验数据 | 第41-42页 |
| ·Caltech-101 数据集图像分类实验及结果 | 第42页 |
| ·Caltech-256 数据集图像分类实验及结果 | 第42-43页 |
| ·15-Scenes 数据集图像分类实验及结果 | 第43页 |
| ·本章小结 | 第43-46页 |
| 第四章 基于 SIFT 特征的级联匹配追踪 | 第46-52页 |
| ·基于局部特征表示的研究现状 | 第46-49页 |
| ·局部特征研究现状及 SIFT 特征提取 | 第46-47页 |
| ·Batch Tree 正交匹配追踪 | 第47-48页 |
| ·空间金子塔最大化池和对比度正则化 | 第48-49页 |
| ·基于 SIFT 特征的级联匹配追踪 | 第49-50页 |
| ·基于 SIFT 特征的级联匹配追踪框架 | 第49页 |
| ·实验结果 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 第五章 基于 Bandelet 特征的空间金字塔最大化池 | 第52-64页 |
| ·Bandelet 特征提取方法 | 第52-60页 |
| ·Bandelet 概述 | 第52-53页 |
| ·最优参数选择 | 第53-57页 |
| ·基于优化的 Bandelet 特征提取 | 第57-58页 |
| ·实测图像的最优几何流向图 | 第58-60页 |
| ·Bandelet 特征 | 第60页 |
| ·Bandelet 特征提取与图像分类方法 | 第60-61页 |
| ·实验及结果 | 第61-62页 |
| ·本章小结 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·总结 | 第64-65页 |
| ·展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 硕士期间成果 | 第72-73页 |
