| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题的研究目的和意义 | 第8-10页 |
| 1.1.1 计算机视觉 | 第8页 |
| 1.1.2 生物医学图像处理 | 第8-9页 |
| 1.1.3 人工智能 | 第9页 |
| 1.1.4 空间探测 | 第9-10页 |
| 1.1.5 工业检测 | 第10页 |
| 1.2 国内外相关领域研究现状 | 第10-14页 |
| 1.2.1 传统图像编码标准 | 第10-12页 |
| 1.2.2 深度学习在图像编码中的应用 | 第12-13页 |
| 1.2.3 哈希编码 | 第13-14页 |
| 1.3 论文研究的主要内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 基于深度学习的图像块分类方法 | 第16-34页 |
| 2.1 基于VGG-16 网络结构模型对图像内容分类 | 第18-21页 |
| 2.1.1 VGG-16 网络结构模型介绍 | 第18-19页 |
| 2.1.2 使用VGG-16 网络结构模型提取图像特征 | 第19-20页 |
| 2.1.3 使用VGG-16 网络结构模型对图像块分类 | 第20-21页 |
| 2.2 基于RESNET网络结构模型对图像内容分类 | 第21-23页 |
| 2.2.1 Res Net网络结构介绍 | 第21-22页 |
| 2.2.2 使用Res Net网络结构模型对图像内容分类 | 第22-23页 |
| 2.3 基于H-RENET网络结构模型对图像内容分类 | 第23-30页 |
| 2.3.1 基于H-Re Net网络结构介绍 | 第23-29页 |
| 2.3.2 使用H-Re Net网络结构模型对图像内容分类 | 第29-30页 |
| 2.4 迭代量化方法 | 第30-33页 |
| 2.4.1 迭代量化方法的目标 | 第31页 |
| 2.4.2 算法推导过程 | 第31-33页 |
| 2.4.3 ITQ算法步骤 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于VGG-16 和RESNET网络的编码方法研究 | 第34-44页 |
| 3.1 对训练图像块进行分类 | 第35-37页 |
| 3.1.1 基于网络模型提取图像特征 | 第35-36页 |
| 3.1.2 根据图像特征形成二进制编码 | 第36页 |
| 3.1.3 根据二进制编码对像素块进行分类 | 第36-37页 |
| 3.2 根据分类结果形成每个类别的索引图像块 | 第37页 |
| 3.3 测试图像编码 | 第37-38页 |
| 3.3.1 形成测试图像的索引图像 | 第37-38页 |
| 3.3.2 计算残差图像并对残差图像编码 | 第38页 |
| 3.4 实验结果 | 第38-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于图像语义分割网络的编码方法研究 | 第44-53页 |
| 4.1 选择图像语义分割网络的原因 | 第44-45页 |
| 4.2 基于语义分割网络结构的图像编码方法流程 | 第45-47页 |
| 4.3 基于分割网络结构模型对训练图像进行分类 | 第47-48页 |
| 4.3.1 实验图像预处理 | 第47-48页 |
| 4.3.2 获取图像特征并对图像特征进行分类 | 第48页 |
| 4.4 对测试图像进行编码 | 第48-49页 |
| 4.5 实验结果 | 第49-51页 |
| 4.6 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61页 |
