| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景与意义 | 第14页 |
| 1.2 图像检索概况 | 第14-15页 |
| 1.3 基于内容的图像检索 | 第15-18页 |
| 1.3.1 基于颜色特征的图像检索 | 第15-16页 |
| 1.3.2 基于纹理特征的图像检索 | 第16-17页 |
| 1.3.3 基于形状特征的图像检索 | 第17页 |
| 1.3.4 高维索引中的降维问题 | 第17-18页 |
| 1.4 国内外研究现状 | 第18-19页 |
| 1.5 本文研究内容及结构组织 | 第19-22页 |
| 第二章 概述 | 第22-30页 |
| 2.1 LBP算法 | 第22-25页 |
| 2.1.1 基本的LBP算子 | 第22-24页 |
| 2.1.2 旋转不变的LBP算子 | 第24页 |
| 2.1.3 统一模式的LBP算子 | 第24-25页 |
| 2.2 哈希索引算法 | 第25-28页 |
| 2.2.1 局部敏感哈希LSH | 第25-27页 |
| 2.2.2 受限的玻尔兹曼机RBM | 第27页 |
| 2.2.3 谱哈希SH | 第27-28页 |
| 2.3 相似度度量 | 第28页 |
| 2.4 系统评价标准 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 金字塔多尺度LBP算法 | 第30-40页 |
| 3.1 几种多尺度LBP算法 | 第30-33页 |
| 3.1.1 多半径结合的LBP算法 | 第30-31页 |
| 3.1.2 分块的LBP算法 | 第31-32页 |
| 3.1.3 基于子区域的多尺度LBP算法MB-LBP | 第32-33页 |
| 3.2 图像金字塔 | 第33-37页 |
| 3.2.1 多尺度分析 | 第33页 |
| 3.2.2 亚采样金字塔 | 第33-35页 |
| 3.2.3 高斯金字塔 | 第35-36页 |
| 3.2.4 小波金字塔 | 第36-37页 |
| 3.3 金字塔多尺度LBP算法 | 第37-39页 |
| 3.3.1 面料图像特性分析 | 第37-38页 |
| 3.3.2 等采样点的多半径LBP | 第38页 |
| 3.3.3 金字塔多尺度LBP | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 自学习哈希 | 第40-48页 |
| 4.1 拉普拉斯特征映射降维 | 第40-42页 |
| 4.2 二元映射 | 第42-43页 |
| 4.3 SVM分类 | 第43-46页 |
| 4.4 自学习哈希算法流程 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 基于金字塔多尺度LBP和自学习哈希的面料图像检索 | 第48-59页 |
| 5.1 面料图像特征提取 | 第48-50页 |
| 5.1.1 金字塔分解 | 第48页 |
| 5.1.2 金字塔多尺度LBP特征提取 | 第48-50页 |
| 5.2 面料图像索引构建 | 第50页 |
| 5.3 实验结果及分析 | 第50-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文的主要工作 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第65-66页 |