摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第9-15页 |
1.1 研究背景和意义 | 第9-10页 |
1.2 图像特征提取技术的研究现状 | 第10-11页 |
1.3 本文研究内容和章节安排 | 第11-13页 |
1.3.1 研究内容 | 第11-12页 |
1.3.2 章节安排 | 第12-13页 |
1.4 本章小结 | 第13-15页 |
第二章 图像特征提取相关技术介绍 | 第15-35页 |
2.1 词袋模型(Bag of Word)简介 | 第15-16页 |
2.2 K-means聚类算法简介 | 第16-18页 |
2.2.1 K-means算法的优缺点 | 第17页 |
2.2.2 K-means算法的算法描述和算法步骤 | 第17-18页 |
2.3 几种常用的分类器 | 第18-22页 |
2.3.1 朴素贝叶斯分类器 | 第18-19页 |
2.3.2 决策树 | 第19-20页 |
2.3.3 SVM(支持向量机) | 第20-22页 |
2.4 频繁项集挖掘技术简介 | 第22-29页 |
2.4.1 频繁项集挖掘算法前瞻 | 第23-24页 |
2.4.2 Apriori算法 | 第24-26页 |
2.4.3 一种Apriori的改进算法 | 第26-29页 |
2.4.4 其他频繁项集挖掘算法简介 | 第29页 |
2.5 SIFT特征算子简介 | 第29-33页 |
2.5.1 尺度空间极值检测 | 第30-31页 |
2.5.2 确定关键点方位 | 第31-32页 |
2.5.3 关键点方向的确定 | 第32页 |
2.5.4 用于描述SIFT特征的向量 | 第32-33页 |
2.6 本章小结 | 第33-35页 |
第三章 基于K-means的局部词袋模型构造 | 第35-45页 |
3.1 图片的SIFT特征提取 | 第35-36页 |
3.2 Grabcut对图片非感兴趣区域外SIFT点的处理 | 第36-39页 |
3.3 局部词袋模型的构建 | 第39-43页 |
3.3.1 构造所用参数讲解列举 | 第39-40页 |
3.3.2 基于K-means的局部词袋模型建立 | 第40-41页 |
3.3.3 为图片集生成字典算法描述 | 第41-43页 |
3.4 本章小结 | 第43-45页 |
第四章 频繁直方图挖掘 | 第45-57页 |
4.1 构造局部直方图模型 | 第45-48页 |
4.1.1 构造初始化 | 第45-46页 |
4.1.2 构造过程简介 | 第46-48页 |
4.2 基于改进Apriori算法的频繁局部直方图挖掘 | 第48-51页 |
4.2.1 挖掘初始化 | 第48页 |
4.2.2 挖掘步骤实例讲解 | 第48-51页 |
4.3 构建频繁闭合直方图模型 | 第51-52页 |
4.3.1 频繁闭项集的定义 | 第51-52页 |
4.4 一种改进的最优频繁直方图评价方法 | 第52-56页 |
4.4.1 信息的度量-信息熵简介 | 第53-54页 |
4.4.2 信息熵在频繁直方图挖掘模型评价中的应用 | 第54-55页 |
4.4.3 KL距离在直方图模型评价中的应用 | 第55-56页 |
4.5 本章小结 | 第56-57页 |
第五章 分类实验结果及评价 | 第57-67页 |
5.1 实验的具体步骤和流程图展示 | 第57-58页 |
5.2 测试集图片选择和图片预处理 | 第58-59页 |
5.2.1 测试集图片的选择 | 第58页 |
5.2.2 测试集图片预处理 | 第58-59页 |
5.3 基于K-means的局部词袋模型实验 | 第59-60页 |
5.4 融合词袋模型和频繁项集挖掘技术建立频繁直方图模型实验 | 第60-62页 |
5.4.1 不同图片对词袋模型繁易成都的影响分析 | 第60-61页 |
5.4.2 不同维度下分类精确度的讨论 | 第61-62页 |
5.5 SVM分类器训练频繁直方图模型进行分类 | 第62-66页 |
5.5.1 选择SVM分类器的原因 | 第62-63页 |
5.5.2 分类结果的评估 | 第63-64页 |
5.5.3 先进的分类方法与本文所述方法的对比实验 | 第64-66页 |
5.6 本章小结 | 第66-67页 |
第六章 总结与展望 | 第67-69页 |
6.1 工作总结 | 第67-68页 |
6.2 研究展望 | 第68-69页 |
参考文献 | 第69-75页 |
攻读硕士学位期间取得的学术成果 | 第75-76页 |
致谢 | 第76页 |