| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 研究现状 | 第10-18页 |
| 1.2.1 常规的标注方法 | 第11-14页 |
| 1.2.2 隐含主题的潜在语义观测的匹配 | 第14-16页 |
| 1.2.3 基于压缩观测的纹理分类及其标注的可行性 | 第16-18页 |
| 第二章 CS纹理元构造及关键词共生标注方法 | 第18-34页 |
| 2.1 CS纹理元构造 | 第18-21页 |
| 2.1.1 栅格纹理元的分块 | 第18页 |
| 2.1.2 CS纹理元特征的构造 | 第18-21页 |
| 2.1.3 观测矩阵的选择 | 第21页 |
| 2.2 CS纹理元图像描述及关键词概率映射 | 第21-25页 |
| 2.2.1 CS纹理元特征词袋模型构造 | 第21-23页 |
| 2.2.2 CS纹理元特征与语义关键词的概率关系 | 第23-25页 |
| 2.3 结合关键词共生信息的共生标注方法 | 第25-29页 |
| 2.3.1 关键词加权系数的构造及标注 | 第26-27页 |
| 2.3.2 算法步骤和模块图 | 第27-29页 |
| 2.4 实验 | 第29-33页 |
| 2.4.1 基于CS纹理特征共生模型实验 | 第30-33页 |
| 2.4.2 结合关键词共生信息的共生标注方法的标注性能 | 第33页 |
| 2.5 小结 | 第33-34页 |
| 第三章 基于CS相似度加权的PLSA-Words模型改进研究 | 第34-51页 |
| 3.1 PLSA-Words模型 | 第34-38页 |
| 3.1.1 PLSA概率潜语义分析 | 第34-37页 |
| 3.1.2 PLSA-Words模型的训练和标注过程 | 第37-38页 |
| 3.2 新的CS视觉特征相似度定义 | 第38-42页 |
| 3.2.1 基于blobs的标注方法 | 第38-40页 |
| 3.2.2 定义CS纹理特征相似度及标注方法 | 第40-42页 |
| 3.3 基于CS纹理相似度词加权的PLSA-Words模型 | 第42-43页 |
| 3.4 算法框架与模块图 | 第43-44页 |
| 3.5 实验结果与分析 | 第44-49页 |
| 3.6 小结 | 第49-51页 |
| 总结 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间取得的研究成果 | 第55-56页 |
| 致谢 | 第56-57页 |
| 附件 | 第57页 |
