| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-11页 |
| CONTENTS | 第11-14页 |
| 第一章 绪论 | 第14-23页 |
| 1.1 图像场景分类的研究背景与意义 | 第14-15页 |
| 1.1.1 图像场景分类的背景 | 第14-15页 |
| 1.1.2 图像场景分类的意义 | 第15页 |
| 1.2 场景分类的研究现状 | 第15-21页 |
| 1.2.1 基于低层特征的图像场景分类 | 第18页 |
| 1.2.2 基于中层语义建模的场景分类 | 第18-21页 |
| 1.3 本文的主要研究内容及成果 | 第21-22页 |
| 1.4 本章小结 | 第22-23页 |
| 第二章 图像场景分类算法的相关理论 | 第23-38页 |
| 2.1 总体框架介绍 | 第23-24页 |
| 2.2 SIFT特征的提取 | 第24-32页 |
| 2.2.1 尺度空间的极值检测 | 第25-29页 |
| 2.2.2 关键点的精确定位 | 第29-30页 |
| 2.2.3 关键点方向的确定 | 第30-31页 |
| 2.2.4 关键点描述子的生成 | 第31-32页 |
| 2.3 聚类算法分析 | 第32-37页 |
| 2.3.1 聚类算法的分类 | 第32-34页 |
| 2.3.2 两种经典聚类算法 | 第34-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 视觉字典容量获取的方法 | 第38-45页 |
| 3.1 场景图像SIFT特征的提取 | 第38-40页 |
| 3.1.1 场景图像数据集的选择 | 第38-39页 |
| 3.1.2 场景图像特征矩阵的构建 | 第39-40页 |
| 3.2 视觉字典的构建方法 | 第40-44页 |
| 3.2.1 K-means聚类算法构建视觉字典 | 第41-43页 |
| 3.2.2 AP聚类算法构建视觉字典 | 第43-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第四章 LDA模型的场景分类研究 | 第45-55页 |
| 4.1 生成模型 | 第45-47页 |
| 4.1.1 pLSA生成模型 | 第45-46页 |
| 4.1.2 LDA生成模型 | 第46-47页 |
| 4.2 LDA模型相关理论 | 第47-52页 |
| 4.2.1 狄利克雷分布 | 第47-48页 |
| 4.2.2 LDA模型的详细描述 | 第48-49页 |
| 4.2.3 LDA模型的参数推导 | 第49-52页 |
| 4.3 LDA模型的场景图像分类 | 第52-54页 |
| 4.3.1 图像与文本的对应关系 | 第52页 |
| 4.3.2 LDA模型的场景分类算法 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 实验结果与分析 | 第55-64页 |
| 5.1 视觉字典容量的获取实验 | 第55-57页 |
| 5.1.1 K-means聚类算法获取视觉字典容量 | 第55-56页 |
| 5.1.2 AP聚类算法获取视觉字典容量 | 第56-57页 |
| 5.1.3 两种建模方法的实验结果与分析 | 第57页 |
| 5.2 主题数对分类精度的影响 | 第57-59页 |
| 5.3 场景图像的混淆矩阵 | 第59-60页 |
| 5.4 超参数对分类性能的影响 | 第60-62页 |
| 5.5 本章小结 | 第62-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间发表的论文 | 第70-72页 |
| 致谢 | 第72页 |