基于内容图像检索中图像语义分类技术研究
| 第一章 绪论 | 第1-16页 |
| 1．1 研究背景 | 第10-12页 |
| 1．2 本文的工作 | 第12-13页 |
| 1．3 本文的贡献 | 第13-14页 |
| 1．4 文章的组织结构 | 第14-16页 |
| 第二章 相关研究工作综述 | 第16-38页 |
| 2．1 CBIR简介 | 第16-19页 |
| 2．2 图像语义分类综述 | 第19-30页 |
| 2．3 图像语义检索综述 | 第30-35页 |
| 2．4 本章小结 | 第35-38页 |
| 第三章 贝叶斯概率图像分类框架 | 第38-56页 |
| 3．1 引言 | 第38-39页 |
| 3．2 图像语义模型介绍 | 第39-40页 |
| 3．3 分类算法基础知识 | 第40-43页 |
| 3．4 图像语义分类问题定义 | 第43-44页 |
| 3．5 图像分类框架基本元素 | 第44-46页 |
| 3．6 确定推理规则 | 第46页 |
| 3．7 使用VQ计算后验概率 | 第46-51页 |
| 3．8 贝叶斯分类框架整体算法 | 第51-54页 |
| 3．9 本章小结 | 第54-56页 |
| 第四章 基于单个图像全局特征的图像语义分类 | 第56-88页 |
| 4．1 引言 | 第56页 |
| 4．2 相关反馈基础知识 | 第56-58页 |
| 4．3 算法基本元素 | 第58-60页 |
| 4．4 候选特征及其提取 | 第60-67页 |
| 4．5 加入空间分块策略 | 第67-69页 |
| 4．6 确定编码向量 | 第69-70页 |
| 4．7 算法整体流程 | 第70-75页 |
| 4．8 试验结果 | 第75-77页 |
| 4．9 算法讨论 | 第77-81页 |
| 4．10 本章小结 | 第81-88页 |
| 第五章 基于多种图像全局特征图像语义分类 | 第88-98页 |
| 5．1 引言 | 第88页 |
| 5．2 选择多种图像全局特征 | 第88-91页 |
| 5．3 融入特征空间分布信息 | 第91-93页 |
| 5．4 加入增量学习方法 | 第93页 |
| 5．5 试验结果 | 第93-94页 |
| 5．6 算法讨论 | 第94-95页 |
| 5．7 本章小结 | 第95-98页 |
| 第六章 基于图像局部特征的图像语义分类及检索 | 第98-104页 |
| 6．1 引言 | 第98页 |
| 6．2 AAM基础知识 | 第98-100页 |
| 6．3 基于AAM的人脸检测应用 | 第100-102页 |
| 6．4 基于AAM的红眼检测应用 | 第102-103页 |
| 6．5 本章小结 | 第103-104页 |
| 第七章 原型系统:TOPALBUM | 第104-110页 |
| 7．1 开发背景 | 第104-105页 |
| 7．2 系统结构 | 第105-106页 |
| 7．3 系统实现细节 | 第106-108页 |
| 7．4 本章小结 | 第108-110页 |
| 第八章 结论及展望 | 第110-114页 |
| 8．1 本文的主要工作和结论 | 第110-111页 |
| 8．2 未来工作展望 | 第111-114页 |
| 参考文献 | 第114-124页 |
| 作者在攻读博士期间发表的论文 | 第124-125页 |
| 致谢 | 第125页 |
