| 摘要 | 第2-3页 |
| ABSTRACT | 第3页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本文主要研究内容及章节安排 | 第10-12页 |
| 2 图像特征提取技术 | 第12-28页 |
| 2.1 基于全局变量的图像特征分析 | 第12-16页 |
| 2.1.1 颜色特征 | 第12-14页 |
| 2.1.2 形状特征 | 第14-15页 |
| 2.1.3 纹理特征 | 第15-16页 |
| 2.2 基于局部变量的KAZE特征的提取 | 第16-25页 |
| 2.2.1 非线性扩散滤波 | 第16-20页 |
| 2.2.2 构建非线性尺度空间 | 第20-22页 |
| 2.2.3 特征检测 | 第22-24页 |
| 2.2.4 特征描述 | 第24-25页 |
| 2.3 KAZE特征点提取的实验结果和算法评价 | 第25-27页 |
| 2.3.1 实验结果 | 第25-27页 |
| 2.3.2 算法评价 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于KAZE算法的图像特征匹配技术 | 第28-40页 |
| 3.1 特征向量近邻搜索概述 | 第29-31页 |
| 3.1.1 图像特征匹配的相关度量 | 第29-30页 |
| 3.1.2 近邻算法介绍 | 第30-31页 |
| 3.2 基于BBF的Kd-Tree算法 | 第31-33页 |
| 3.3 随机抽样一致算法（RANSAC） | 第33-35页 |
| 3.4 近邻搜索实验结果 | 第35-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于Bag-of-Words的视觉词典库模型的建立 | 第40-49页 |
| 4.1 K均值聚类（KMeans）算法 | 第40-43页 |
| 4.1.1 KMeans聚类算法 | 第40-42页 |
| 4.1.2 KMeans算法的性能分析 | 第42-43页 |
| 4.2 视觉词典库模型的构建 | 第43-48页 |
| 4.2.1 视觉词典库模型概述 | 第43-44页 |
| 4.2.2 视觉词典库的构建 | 第44-46页 |
| 4.2.3 用向量描述图像特征 | 第46-47页 |
| 4.2.4 待检索图片的量化表示 | 第47页 |
| 4.2.5 视觉词典库模型性能测试 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 5 基于Java Web的图像检索系统的实现 | 第49-57页 |
| 5.1 系统总体架构概述 | 第49-50页 |
| 5.2 系统设计 | 第50-52页 |
| 5.2.1 数据库设计 | 第50-51页 |
| 5.2.2 系统中的关键技术 | 第51-52页 |
| 5.3 实验结果及系统性能分析 | 第52-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |