| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·选题的意义 | 第10-11页 |
| ·图像检索方法的研究综述 | 第11-12页 |
| ·图内外研究现状 | 第12-16页 |
| ·CBIR基本体系结构 | 第12-13页 |
| ·CBIR的关键技术和研究热点 | 第13-14页 |
| ·典型的CBIR系统介绍 | 第14-16页 |
| ·本文的主要内容及章节安排 | 第16-17页 |
| 第二章 图像检索的基础工作 | 第17-32页 |
| ·颜色模型的选择 | 第17-21页 |
| ·RGB颜色空间 | 第17-18页 |
| ·HSV颜色空间 | 第18-20页 |
| ·YUV颜色空间 | 第20页 |
| ·Lab颜色空间 | 第20-21页 |
| ·常用的图像底层特征的提取 | 第21-29页 |
| ·颜色特征 | 第21-22页 |
| ·纹理特征 | 第22-26页 |
| ·本文提取的特征 | 第26-29页 |
| ·图像检索中的特征选择与优化 | 第29-31页 |
| ·特征选择优化 | 第29-30页 |
| ·特征归一化 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 基于支持向量机的的图像语义关联问题 | 第32-48页 |
| ·统计学理论与机器学习 | 第32-34页 |
| ·经验风险最小化 | 第32-33页 |
| ·VC维 | 第33-34页 |
| ·结构风险最小化 | 第34页 |
| ·支持向量机 | 第34-40页 |
| ·最优分类面的解释 | 第35页 |
| ·线性可分支持向量机 | 第35-37页 |
| ·线性不可分支持向量机 | 第37-38页 |
| ·核函数 | 第38-40页 |
| ·SVM多分类器的构造及改进的“一对多”SVM多分类器 | 第40-43页 |
| ·一对一分类法 | 第40页 |
| ·一类对多类算法 | 第40-41页 |
| ·二叉树法 | 第41-42页 |
| ·SVM多类分类方法的比较 | 第42-43页 |
| ·对“一对多”SVM进行改进 | 第43页 |
| ·将SVM用于图像的语义关联 | 第43-44页 |
| ·实验 | 第44-46页 |
| ·单一特征与多特征融合的实验比较 | 第44-46页 |
| ·使用不同核函数的比较 | 第46页 |
| ·本章小结 | 第46-48页 |
| 第四章 基于TSVM与主动学习相融合的分类器建模 | 第48-65页 |
| ·机器学习 | 第48-51页 |
| ·有监督学习和无监督学习 | 第48-50页 |
| ·半监督学习 | 第50-51页 |
| ·直推向量机 | 第51-55页 |
| ·TSVM应用于图像检索 | 第55页 |
| ·主动学习 | 第55-57页 |
| ·主动学习概念 | 第55-56页 |
| ·主动学习主要算法 | 第56-57页 |
| ·基于TSVM的主动学习应用于图像检索 | 第57-61页 |
| ·TSVM与主动学习相融合 | 第57-58页 |
| ·样本选择策略 | 第58-59页 |
| ·分类器建模 | 第59-61页 |
| ·实验 | 第61-63页 |
| ·实验数据集 | 第61-62页 |
| ·特征提取 | 第62页 |
| ·性能度量 | 第62-63页 |
| ·结果与分析 | 第63页 |
| ·本章小结 | 第63-65页 |
| 第五章 实验系统的设计 | 第65-72页 |
| ·系统开发工具 | 第65-66页 |
| ·系统框架图 | 第66页 |
| ·数据库的设计 | 第66-68页 |
| ·各主要模块功能简介 | 第68-70页 |
| ·系统界面介绍 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| ·工作总结 | 第72-73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 附录 | 第79-80页 |
| 致谢 | 第80-81页 |
| 攻读学位期间参加的科研项目和成果 | 第81页 |