| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-19页 |
| §1.1 课题研究背景与意义 | 第11-14页 |
| §1.2 课题研究基础 | 第14-15页 |
| §1.3 本论文的主要贡献 | 第15-16页 |
| §1.4 本论文的组织结构 | 第16-17页 |
| §1.5 本章小结 | 第17页 |
| 本章参考文献 | 第17-19页 |
| 第二章 国内外相关研究现状分析 | 第19-42页 |
| §2.1 图像检索技术 | 第19-23页 |
| ·基于标注的图像检索 | 第19-20页 |
| ·基于内容的图像检索 | 第20-23页 |
| §2.2 文物图像低层视觉特征提取 | 第23-28页 |
| ·颜色特征 | 第23-24页 |
| ·形状特征 | 第24-27页 |
| ·纹理特征 | 第27-28页 |
| §2.3 文物图像局部特征提取 | 第28-30页 |
| §2.4 相似性度量 | 第30-32页 |
| ·距离度量方法 | 第30-32页 |
| ·分类学习方法 | 第32页 |
| §2.5 多示例学习 | 第32-33页 |
| §2.6 图像自动语义标注 | 第33-35页 |
| §2.7 本体方法 | 第35-36页 |
| §2.8 本章小结 | 第36页 |
| 本章参考文献 | 第36-42页 |
| 第三章 基于内容图像检索技术在文物特征提取中的应用 | 第42-54页 |
| §3.1 引言 | 第42-43页 |
| §3.2 基于分块颜色直方图的文物颜色特征提取算法 | 第43-46页 |
| ·HSV颜色空间 | 第43-44页 |
| ·分块颜色直方图 | 第44-45页 |
| ·相似性度量 | 第45页 |
| ·实验结果与分析 | 第45-46页 |
| §3.3 基于边缘直方图和Hu矩的文物形状特征提取算法 | 第46-48页 |
| ·边缘检测算子 | 第46-47页 |
| ·边缘方向直方图 | 第47页 |
| ·Hu矩特征提取 | 第47-48页 |
| ·实验结果与分析 | 第48页 |
| §3.4 基于改进的Gabor滤波器的文物纹理特征提取算法 | 第48-52页 |
| ·传统Gabor变换及问题 | 第49-50页 |
| ·改进的Gabor滤波器纹理特征提取 | 第50-51页 |
| ·实验结果与分析 | 第51-52页 |
| §3.5 本章小结 | 第52页 |
| 本章参考文献 | 第52-54页 |
| 第四章 基于SIFT特征的文物图像检索算法 | 第54-68页 |
| §4.1 局部特征点提取 | 第54-60页 |
| ·Harris特征点提取 | 第54-55页 |
| ·SUSAN特征点提取 | 第55-57页 |
| ·SIFT特征点提取 | 第57-58页 |
| ·实验结果与分析 | 第58-60页 |
| §4.2 文物图像SIFT特征描述 | 第60-63页 |
| ·特征点方向分配 | 第60-61页 |
| ·SIFT特征描述子生成 | 第61页 |
| ·SIFT特征降维 | 第61-63页 |
| §4.3 文物图像SIFT特征匹配 | 第63-64页 |
| §4.4 实验结果与分析 | 第64-66页 |
| §4.5 本章小结 | 第66页 |
| 本章参考文献 | 第66-68页 |
| 第五章 一种构建新包空间的多示例学习分类算法 | 第68-83页 |
| §5.1 引言 | 第68-70页 |
| §5.2 数学问题描述及已有神经网络存在的问题 | 第70页 |
| §5.3 相关定义 | 第70-71页 |
| §5.4 RK_BP多示例学习分类算法 | 第71-77页 |
| ·前向贪心粗糙集算法 | 第71-72页 |
| ·新包空间构建 | 第72-75页 |
| ·利用BP算法在新包空间进行分类 | 第75-77页 |
| §5.5 实验结果与分析 | 第77-80页 |
| ·K值影响分析 | 第77-78页 |
| ·基准测试数据库 | 第78-79页 |
| ·文物图像数据库 | 第79-80页 |
| §5.6 本章小结 | 第80-81页 |
| 本章参考文献 | 第81-83页 |
| 第六章 一种基于多示例学习的文物图像检索算法 | 第83-95页 |
| §6.1 引言 | 第83-84页 |
| §6.2 基于多示例学习的图像检索框架 | 第84-85页 |
| §6.3 基于KP-MIL的图像检索算法 | 第85-89页 |
| ·获取潜在正示例代表 | 第85-86页 |
| ·核函数的构建 | 第86-88页 |
| ·利用SVM分类 | 第88-89页 |
| §6.4 实验结果与分析 | 第89-93页 |
| ·实验一 | 第89-92页 |
| ·实验二 | 第92-93页 |
| §6.5 本章小结 | 第93页 |
| 本章参考文献 | 第93-95页 |
| 第七章 文物分类本体模型构建 | 第95-108页 |
| §7.1 引言 | 第95页 |
| §7.2 本体及领域本体 | 第95-96页 |
| §7.3 文物分类知识库研究 | 第96-101页 |
| ·中国古代文物分类知识 | 第96-98页 |
| ·陶器分类知识库构建 | 第98-101页 |
| §7.4 陶俑分类本体(PYCO)构造 | 第101-105页 |
| ·PYCO形式化模型 | 第101-102页 |
| ·PYCO的开发 | 第102-104页 |
| ·PYCO模型结构 | 第104-105页 |
| §7.5 PYCO模型实现 | 第105-106页 |
| §7.6 本章小结 | 第106-107页 |
| 本章参考文献 | 第107-108页 |
| 第八章 基于PYCO的陶俑自动语义标注 | 第108-119页 |
| §8.1 引言 | 第108-109页 |
| §8.2 基于本体的图像语义标注过程 | 第109页 |
| §8.3 图像本体化描述 | 第109-110页 |
| §8.4 基于PYCO的陶俑图像语义标注 | 第110-114页 |
| ·陶俑图像低层特征获取 | 第111-112页 |
| ·用多SVM建立低层特征与属性概念的关联 | 第112-113页 |
| ·陶俑图像语义标注 | 第113-114页 |
| §8.5 实验结果与分析 | 第114-117页 |
| ·实验一 | 第114-116页 |
| ·实验二 | 第116-117页 |
| §8.6 本章小结 | 第117页 |
| 本章参考文献 | 第117-119页 |
| 第九章 总结与展望 | 第119-122页 |
| §9.1 本文工作总结 | 第119-120页 |
| §9.2 前景展望 | 第120-122页 |
| 致谢 | 第122-123页 |
| 攻读博士学位期间的研究成果 | 第123页 |
