基于改进兴趣区域检测算子的图像分类研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 图像特征提取概述 | 第11-13页 |
| 1.2.1 全局特征概述 | 第12-13页 |
| 1.2.2 局部特征概述 | 第13页 |
| 1.3 图像分类概述及研究现状 | 第13-14页 |
| 1.4 特征提取的国内外研究现状 | 第14-16页 |
| 1.4.1 特征点提取 | 第15页 |
| 1.4.2 特征区域提取 | 第15-16页 |
| 1.5 主要研究内容 | 第16-17页 |
| 1.6 章节结构 | 第17-18页 |
| 第2章 图像局部特征提取技术 | 第18-26页 |
| 2.1 尺度空间理论 | 第18-20页 |
| 2.1.1 尺度空间理论概述 | 第18页 |
| 2.1.2 尺度空间理论发展 | 第18-19页 |
| 2.1.3 尺度空间表达 | 第19-20页 |
| 2.2 特征不变性 | 第20-23页 |
| 2.2.1 数学定义 | 第21页 |
| 2.2.2 图像变换分类 | 第21-23页 |
| 2.3 局部特征提取 | 第23-26页 |
| 2.3.1 Harris | 第23-24页 |
| 2.3.2 CSS | 第24页 |
| 2.3.3 Harris-Laplace | 第24-25页 |
| 2.3.4 Hessian-Laplace | 第25-26页 |
| 第3章 MSER 区域检测算子及其改进 | 第26-32页 |
| 3.1 基本思想 | 第26页 |
| 3.2 数学定义 | 第26-27页 |
| 3.3 MSER 提取过程 | 第27-29页 |
| 3.3.1 MSER 稳定极值过滤条件 | 第27页 |
| 3.3.2 构建集合森林 | 第27-29页 |
| 3.4 最大稳定极值区域改进 | 第29-31页 |
| 3.5 实验及结果分析 | 第31-32页 |
| 第4章 基于词袋模型的图像分类 | 第32-42页 |
| 4.1 SIFT 特征描述算子 | 第32-34页 |
| 4.1.1 像素点方向分配 | 第32-33页 |
| 4.1.2 生成特征描述 | 第33-34页 |
| 4.2 词袋模型 | 第34-36页 |
| 4.3 选择分类器 | 第36页 |
| 4.4 图像分类流程 | 第36-38页 |
| 4.5 实验设计 | 第38-42页 |
| 4.5.1 数据库 | 第38-39页 |
| 4.5.2 实验设置 | 第39页 |
| 4.5.3 实验结果及分析 | 第39-42页 |
| 第5章 总结和展望 | 第42-44页 |
| 5.1 总结 | 第42-43页 |
| 5.2 展望 | 第43-44页 |
| 参考文献 | 第44-49页 |
| 作者简介 | 第49-50页 |
| 致谢 | 第50页 |
