| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第10-17页 |
| 1.1 课题背景 | 第10页 |
| 1.2 选题依据和研究意义 | 第10-11页 |
| 1.3 国内外研究现状及发展动态 | 第11-15页 |
| 1.4 研究内容 | 第15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 2 相关技术简介 | 第17-23页 |
| 2.1 开发语言 | 第17-18页 |
| 2.1.1 C语言 | 第17页 |
| 2.1.2 C++语言 | 第17-18页 |
| 2.2 Microsoft Visual Studio集成开发环境 | 第18-19页 |
| 2.3 MFC | 第19-20页 |
| 2.4 OpenCV计算机视觉库 | 第20-21页 |
| 2.5 数据库存储技术 | 第21-23页 |
| 3 图像特征提取技术 | 第23-53页 |
| 3.1 图像颜色特征提取的基本算法简介 | 第23-34页 |
| 3.1.1 HSV颜色空间模型 | 第23-29页 |
| 3.1.2 颜色矩算法 | 第29-34页 |
| 3.2 图像纹理特征提取算法简介 | 第34-48页 |
| 3.2.1 灰度共生矩阵算法 | 第34-37页 |
| 3.2.2 Tamura纹理特征提取算法 | 第37-44页 |
| 3.2.3 LBP纹理特征提取算法 | 第44-48页 |
| 3.3 图像形状特征提取的基本算法简介 | 第48-53页 |
| 3.3.1 HOG形状特征提取算法 | 第48-49页 |
| 3.3.2 HOG形状特征提取算法实验结果 | 第49-53页 |
| 4 深度学习算法 | 第53-63页 |
| 4.1 深度学习概述 | 第53-54页 |
| 4.1.1 深度学习基本算法原理 | 第53-54页 |
| 4.1.2 深度学习的训练过程 | 第54页 |
| 4.2 限制玻尔兹曼机算法 | 第54-57页 |
| 4.3 深信度网络算法 | 第57-58页 |
| 4.4 卷积神经网络算法 | 第58-60页 |
| 4.4.1 卷积神经网络结构 | 第58-59页 |
| 4.4.2 卷积神经网络训练过程 | 第59-60页 |
| 4.5 基于图像多特征融合和深度学习的商品图像分类算法 | 第60-63页 |
| 4.5.1 基本算法原理 | 第60-61页 |
| 4.5.2 算法实现相关步骤 | 第61-63页 |
| 5 实验测试分析 | 第63-68页 |
| 5.1 算法实现框架设计 | 第63-64页 |
| 5.2 实验与分析 | 第64-68页 |
| 5.2.1 实验配置 | 第64页 |
| 5.2.2 实验样本库 | 第64-65页 |
| 5.2.3 实验结果及分析 | 第65-68页 |
| 6 总结与展望 | 第68-69页 |
| 6.1 本文的主要贡献 | 第68页 |
| 6.2 下一步工作展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |