| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 场景分类的研究背景和意义 | 第7-9页 |
| 1.2 场景分类的研究现状 | 第9页 |
| 1.3 场景分类的方法 | 第9-12页 |
| 1.3.1 基于低层特征的图像场景分类方法 | 第10页 |
| 1.3.2 基于中层语义特征的图像场景分类方法 | 第10-11页 |
| 1.3.3 基于深度学习的场景分类方法 | 第11页 |
| 1.3.4 基于SIFT特征的场景分类方法 | 第11-12页 |
| 1.4 本文的主要研究内容 | 第12-14页 |
| 第二章 图像感知哈希技术 | 第14-29页 |
| 2.1 图像感知哈希的概念 | 第14-15页 |
| 2.2 感知哈希的性质 | 第15-16页 |
| 2.3 图像感知哈希的应用 | 第16-18页 |
| 2.3.1 图像识别 | 第16-17页 |
| 2.3.2 图像认证 | 第17-18页 |
| 2.4 感知哈希的提取 | 第18-19页 |
| 2.4.1 图像预处理 | 第18-19页 |
| 2.4.2 感知特征提取 | 第19页 |
| 2.4.3 量化和编码 | 第19页 |
| 2.5 两种经典感知哈希算法 | 第19-29页 |
| 2.5.1 均值哈希算法 | 第19-24页 |
| 2.5.2 基于DCT变换的感知哈希算法 | 第24-29页 |
| 第三章 基于方向梯度直方图的感知哈希算法 | 第29-38页 |
| 3.1 图像的方向梯度直方图 | 第29页 |
| 3.1.1 主要思想 | 第29页 |
| 3.1.2 具体实现方法 | 第29页 |
| 3.1.3 主要的优点 | 第29页 |
| 3.2 图像的方向梯度直方图提取过程 | 第29-32页 |
| 3.3 基于图像方向梯度直方图的感知哈希算法 | 第32-36页 |
| 3.4 感知哈希算法的鲁棒性和敏感性分析 | 第36-38页 |
| 第四章 基于PLSA的场景分类 | 第38-56页 |
| 4.1 PLSA主题分类模型 | 第38-41页 |
| 4.1.1 PLSA主题模型的基本思想 | 第38-40页 |
| 4.1.2 PLSA主题模型的优点 | 第40-41页 |
| 4.2 基于PLSA主题分类模型的场景分类 | 第41-47页 |
| 4.2.1 图像分割 | 第42-44页 |
| 4.2.2 视觉单词表的构造 | 第44-47页 |
| 4.3 基于PLSA的场景分类 | 第47-49页 |
| 4.3.1 场景单词频率信息统计方法 | 第47-48页 |
| 4.3.2 基于PLSA的场景分类 | 第48-49页 |
| 4.4 场景分类结果和参数评价 | 第49-56页 |
| 4.4.1 汉明距离阈值 | 第51-53页 |
| 4.4.2 主题个数 | 第53-54页 |
| 4.4.3 本文方法与基于SIFT的场景分类方法对比 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 研究总结 | 第56页 |
| 5.2 课题展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 在学期间的研究成果 | 第61-62页 |
| 致谢 | 第62页 |