基于关联反馈和多特征的图像检索系统的研究与实现
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 引言 | 第11页 |
| 1.2 图像检索技术的研究背景与研究现状 | 第11-15页 |
| 1.3 CBIR技术的应用场景和研究意义 | 第15-16页 |
| 1.4 本文的主要工作和创新点 | 第16页 |
| 1.5 论文组织结构 | 第16-18页 |
| 第二章 CBIR相关技术介绍 | 第18-32页 |
| 2.1 CBIR系统的基本流程 | 第18页 |
| 2.2 特征提取技术 | 第18-24页 |
| 2.2.1 图像颜色特征 | 第19-20页 |
| 2.2.2 图像纹理特征 | 第20-22页 |
| 2.2.3 图像形状特征 | 第22-24页 |
| 2.3 特征量化与降维技术 | 第24-28页 |
| 2.3.1 主成分分析法(PCA) | 第24-25页 |
| 2.3.2 迭代量化算法(ITQ) | 第25-26页 |
| 2.3.3 BoF和SPM空间模型 | 第26-28页 |
| 2.4 图像检索中的关联反馈技术 | 第28-31页 |
| 2.4.1 基于优化查询向量的反馈技术 | 第28-29页 |
| 2.4.2 基于优化查询模型的反馈技术 | 第29-31页 |
| 2.4.3 基于权重调整的反馈技术 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 图像特征提取与量化 | 第32-57页 |
| 3.1 多特征融合 | 第32-34页 |
| 3.2 特征提取 | 第34-43页 |
| 3.2.1 SIFT特征提取 | 第34-39页 |
| 3.2.2 HOG特征提取 | 第39-42页 |
| 3.2.3 Opponent-SIFT特征提取 | 第42-43页 |
| 3.3 特征量化 | 第43-48页 |
| 3.3.1 构造BoF | 第44-45页 |
| 3.3.2 LLC线性编码过程 | 第45-46页 |
| 3.3.3 特征池化 | 第46-47页 |
| 3.3.4 空间上下文建模 | 第47-48页 |
| 3.4 实验与结果分析 | 第48-56页 |
| 3.4.1 实验数据库 | 第48-49页 |
| 3.4.2 实验性能评价 | 第49-50页 |
| 3.4.3 实验环境配置 | 第50页 |
| 3.4.4 实验预处理 | 第50-51页 |
| 3.4.5 实验参数设置 | 第51-52页 |
| 3.4.6 实验过程分析 | 第52-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 关联反馈算法设计 | 第57-77页 |
| 4.1 关联反馈算法的一般流程 | 第57-58页 |
| 4.2 图像特征子空间分类 | 第58-59页 |
| 4.3 挖掘和利用未标记的图片 | 第59-63页 |
| 4.3.1 K-means++聚类算法 | 第59-60页 |
| 4.3.2 图像伪标记过程 | 第60-62页 |
| 4.3.3 标记估计函数 | 第62-63页 |
| 4.4 基于活动学习的SVM关联反馈模型 | 第63-65页 |
| 4.4.1 活动学习策略 | 第63-64页 |
| 4.4.2 选择最具信息量的反馈信息 | 第64-65页 |
| 4.5 界面设计与实现 | 第65-69页 |
| 4.5.1 系统概述 | 第65-67页 |
| 4.5.2 系统测试与分析 | 第67-69页 |
| 4.6 实验与结果分析 | 第69-76页 |
| 4.6.1 λ对实验效果的影响 | 第69-70页 |
| 4.6.2 实验对比与评价 | 第70-76页 |
| 4.7 本章小结 | 第76-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 本文总结 | 第77-78页 |
| 5.2 下一步工作的展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 攻读硕士学位期间取得的成果 | 第85页 |
