| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的组织结构 | 第12-13页 |
| 第二章 基于内容的图像分类技术 | 第13-20页 |
| 2.1 基于内容的图像分类过程 | 第13-14页 |
| 2.2 图像特征提取 | 第14-16页 |
| 2.2.1 图像底层特征 | 第14-15页 |
| 2.2.2 图像局部特征 | 第15-16页 |
| 2.3 图像分类器构建 | 第16-19页 |
| 2.3.1 机器学习概述 | 第16-17页 |
| 2.3.2 常见分类器 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 图像特征提取 | 第20-38页 |
| 3.1 图像颜色特征提取 | 第20-27页 |
| 3.1.1 颜色空间 | 第20-23页 |
| 3.1.2 颜色空间量化与特征表示 | 第23-26页 |
| 3.1.3 基于视觉感知改进HSV颜色空间量化方式——44级量化 | 第26-27页 |
| 3.2 图像的纹理特征提取 | 第27-35页 |
| 3.2.1 基于LBP算子纹理特征提取 | 第28-32页 |
| 3.2.2 Gabor变换法提取纹理特征 | 第32-35页 |
| 3.3 图像的综合特征 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于SVM的图像分类器构建 | 第38-46页 |
| 4.1 SVM理论基础 | 第38-41页 |
| 4.1.1 线性支持向量机 | 第38-41页 |
| 4.1.2 非线性支持向量机 | 第41页 |
| 4.2 SVM核函数 | 第41-42页 |
| 4.3 SVM多分类 | 第42-45页 |
| 4.3.1 SVM多分类算法 | 第42-44页 |
| 4.3.2 SVM多分类组织方式对比 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于内容的图像分类系统设计与仿真 | 第46-63页 |
| 5.1 仿真平台说明 | 第46-49页 |
| 5.1.1 硬件与软件条件 | 第46-47页 |
| 5.1.2 Python图像处理技术 | 第47-48页 |
| 5.1.3 使用LibSVM进行图像分类器构建 | 第48-49页 |
| 5.2 仿真系统的设计与搭建 | 第49-50页 |
| 5.2.1 数据准备 | 第50页 |
| 5.2.2 特征提取 | 第50页 |
| 5.2.3 分类训练 | 第50页 |
| 5.3 仿真结果与分析 | 第50-61页 |
| 5.3.1 基于单一特征的图像分类 | 第51-53页 |
| 5.3.2 基于综合特征的图像分类 | 第53-57页 |
| 5.3.3 一种新的综合特征加权方式 | 第57-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 论文工作总结 | 第63-64页 |
| 6.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67页 |