| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| CONTENTS | 第10-12页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.1.1 场景分类的意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 场景分类的研究现状 | 第13-15页 |
| 1.2.2 聚类算法的研究现状 | 第15-16页 |
| 1.2.3 视觉字典容量获取的研究现状 | 第16-17页 |
| 1.3 论文的主要研究内容及成果 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 场景分类理论 | 第19-44页 |
| 2.1 场景分类的流程 | 第19页 |
| 2.2 特征提取 | 第19-29页 |
| 2.2.1 SWT特征的提取 | 第21-28页 |
| 2.2.2 PCA-SIFT描述子 | 第28-29页 |
| 2.3 聚类算法概述 | 第29-30页 |
| 2.4 K-均值聚类算法与吸引子传播聚类算法 | 第30-37页 |
| 2.4.1 K-均值聚类算法 | 第30-31页 |
| 2.4.2 吸引子传播聚类算法 | 第31-33页 |
| 2.4.3 K-均值算法与AP算法的比较 | 第33-37页 |
| 2.5 图像中间语义的表示模型 | 第37-43页 |
| 2.5.1 语义的概念 | 第37-38页 |
| 2.5.2 语义的框架 | 第38-39页 |
| 2.5.3 视觉词包 | 第39页 |
| 2.5.4 同义与多义 | 第39-40页 |
| 2.5.5 概率潜在语义分析(PLSA) | 第40-42页 |
| 2.5.6 基于概率潜在语义模型的中间语义提取 | 第42-43页 |
| 2.6 本章小结 | 第43-44页 |
| 第三章 提取场景图像的特征研究 | 第44-51页 |
| 3.1 选取场景图像数据集 | 第44页 |
| 3.2 场景图像的特征集获取研究 | 第44-50页 |
| 3.2.1 SIFT特征的提取 | 第45-50页 |
| 3.3 本章小结 | 第50-51页 |
| 第四章 视觉字典容量的获取及其PLSA场景分类研究 | 第51-57页 |
| 4.1 视觉字典容量的获取 | 第51-54页 |
| 4.1.1 K-均值聚类算法获得视觉字典容量 | 第51-53页 |
| 4.1.2 AP聚类算法获取视觉字典容量 | 第53-54页 |
| 4.2 PLSA场景分类 | 第54-55页 |
| 4.3 参数k对PLSA算法的分类效果研究 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 实验结果与分析 | 第57-61页 |
| 5.1 场景分类实验结果与分析 | 第57-59页 |
| 5.1.1 K-means算法与AP算法的PLSA模型场景分类的性能比较 | 第57页 |
| 5.1.2 基于K-means算法的PLSA模型场景分类 | 第57-59页 |
| 5.1.3 实验结果对比分析 | 第59页 |
| 5.2 主题数k对PLSA模型分类精度的影响 | 第59-61页 |
| 结论与展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 学位期间发表的论文 | 第66-68页 |
| 致谢 | 第68页 |
