| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 图像语义分割与标识技术的研究现状和相关研究成果 | 第13-19页 |
| 1.2.1 图像底层特征提取研究现状及研究成果 | 第13-15页 |
| 1.2.2 图像分割技术研究现状及研究成果 | 第15-18页 |
| 1.2.3 图像语义映射与标识研究现状及研究成果 | 第18-19页 |
| 1.3 本文的研究内容和组织安排 | 第19-20页 |
| 1.4 本章小结 | 第20-22页 |
| 第二章 基于自组织特征映射网络的图像分割 | 第22-46页 |
| 2.1 概述 | 第22-24页 |
| 2.2 SOFM 自组织映射网络原理 | 第24-29页 |
| 2.3 图像的特征向量提取 | 第29-34页 |
| 2.3.1 高斯变换特征提取 | 第29-32页 |
| 2.3.2 高斯－拉普拉斯变换特征提取 | 第32-33页 |
| 2.3.3 高斯偏导特征提取 | 第33-34页 |
| 2.4 基于自组织映射网络的图像聚类分割 | 第34-43页 |
| 2.4.1 基于SOFM 的图像初始聚类 | 第35-38页 |
| 2.4.2 合并聚类分析过程 | 第38-41页 |
| 2.4.3 K-Means 图像分割 | 第41-43页 |
| 2.5 实验结果分析 | 第43-44页 |
| 2.5.1 算法效率对比分析 | 第43-44页 |
| 2.5.2 分割效果对比分析 | 第44页 |
| 2.6 本章小结 | 第44-46页 |
| 第三章 分割图片的语义标注与识别 | 第46-57页 |
| 3.1 概述 | 第46-47页 |
| 3.2 实验图片库介绍 | 第47-48页 |
| 3.3 基于SVM 的图片语义学习与标识 | 第48-56页 |
| 3.3.1 支持向量机原理SVM | 第49-52页 |
| 3.3.2 图像特征的语义学习 | 第52-55页 |
| 3.3.3 图像的语义标注 | 第55-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 系统实现及实验结果 | 第57-70页 |
| 4.1 系统概述 | 第57-58页 |
| 4.2 系统模块说明 | 第58-66页 |
| 4.2.1 图片库语义训练模块说明 | 第58-62页 |
| 4.2.2 待测图像分割与语义标注模块说明 | 第62-66页 |
| 4.2.3 待测图片库标注结果分析模块说明 | 第66页 |
| 4.3 系统相关实验结果 | 第66-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 全文总结 | 第70-73页 |
| 5.1 主要结论 | 第70-71页 |
| 5.2 研究展望 | 第71页 |
| 5.3 本章小结 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 数学符号说明（附录1） | 第76-77页 |
| 缩略语表（附录2） | 第77-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间已发表或录用的论文 | 第79-81页 |