| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题背景和研究意义 | 第9-10页 |
| 1.2 CBIR研究发展现状与主要问题 | 第10-12页 |
| 1.2.1 CBIR的研究发展现状 | 第10-11页 |
| 1.2.2 CBIR的研究中存在的主要问题及解决方法 | 第11-12页 |
| 1.3 本文主要研究内容与组织结构安排 | 第12-16页 |
| 1.3.1 本文研究的主要内容 | 第12-14页 |
| 1.3.2 本文的组织结构 | 第14-16页 |
| 2 基于内容的图像检索基础知识与关键技术 | 第16-28页 |
| 2.1 图像特征的提取与表达 | 第16-20页 |
| 2.1.1 颜色特征 | 第16-18页 |
| 2.1.2 纹理特征 | 第18-19页 |
| 2.1.3 形状特征 | 第19-20页 |
| 2.2 高维数据降维 | 第20-24页 |
| 2.2.1 主成成分分析(PCA) | 第20-23页 |
| 2.2.2 局部线性嵌(LLE) | 第23-24页 |
| 2.3 相关反馈与检索结果评分 | 第24-25页 |
| 2.3.1 相关反馈(RF) | 第24-25页 |
| 2.3.2 检索结果评分 | 第25页 |
| 2.4 图像的分类 | 第25-27页 |
| 2.4.1 支持向量机(SVM) | 第25-26页 |
| 2.4.2 极端学习机(ELM) | 第26-27页 |
| 2.5 小结 | 第27-28页 |
| 3 基于流形学习的高维特征向量降维算法研究 | 第28-47页 |
| 3.1 引言 | 第28-29页 |
| 3.2 局部切空间排列算法（LTSA) | 第29-30页 |
| 3.3 WLLTSA | 第30-32页 |
| 3.4 实验结果与分析 | 第32-45页 |
| 3.4.1 实验设置 | 第32-33页 |
| 3.4.2 降维算法对比实验 | 第33-45页 |
| 3.5 小结 | 第45-47页 |
| 4 CBIR下一种新的检索结果评分算法——ULRGA | 第47-56页 |
| 4.1 引言 | 第47页 |
| 4.2 常用相似性度量方法 | 第47-48页 |
| 4.3 U-线性回归和全局排列(ULRGA) | 第48-50页 |
| 4.3.1 线性回归和全局排列(LRGA) | 第48-49页 |
| 4.3.2 U-线性回归和全局排列(ULRGA) | 第49-50页 |
| 4.4 评分算法对比实验 | 第50-54页 |
| 4.5 整体框架效率对比 | 第54-55页 |
| 4.6 小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |