| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 课题研究现状 | 第11-12页 |
| 1.3 本论文的研究内容与创新 | 第12-13页 |
| 1.4 本论文结构安排 | 第13-14页 |
| 第二章 基于局部不变特征的图像检索基础 | 第14-23页 |
| 2.1 基于内容的图像检索基础 | 第14-17页 |
| 2.1.1 基本框架 | 第14-15页 |
| 2.1.2 图像特征提取 | 第15-16页 |
| 2.1.3 特征匹配 | 第16-17页 |
| 2.2 图像局部不变特征 | 第17-19页 |
| 2.2.1 Hessian-Affine检测算子 | 第18-19页 |
| 2.2.2 SIFT描述子 | 第19页 |
| 2.3 基于局部不变特征的图像相似度度量 | 第19-20页 |
| 2.3.1 匹配原则 | 第20页 |
| 2.3.2 融合原则 | 第20页 |
| 2.4 图像检索数据库与性能评价标准 | 第20-22页 |
| 2.4.1 实验图像数据库描述 | 第20-22页 |
| 2.4.2 性能评价标准 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于BOW模型的局部不变特征融合方法研究 | 第23-41页 |
| 3.1 词袋模型 | 第23-25页 |
| 3.1.1 文本词袋模型 | 第23-24页 |
| 3.1.2 视觉词袋模型 | 第24-25页 |
| 3.2 基于BOW模型的局部不变特征融合方法 | 第25-29页 |
| 3.2.1 基于K-means的字典学习 | 第25-26页 |
| 3.2.2 特征编码 | 第26-28页 |
| 3.2.3 特征池化 | 第28页 |
| 3.2.4 算法问题分析 | 第28-29页 |
| 3.3 改进的基于BOW模型的局部不变特征融合算法 | 第29-35页 |
| 3.3.1 基于Kd-Tree的特征编码 | 第30-31页 |
| 3.3.2 特征系数的白化处理 | 第31-32页 |
| 3.3.3 表示向量的幂律归一化处理 | 第32页 |
| 3.3.4 基于稀疏自编码器的特征优化 | 第32-34页 |
| 3.3.5 算法总结 | 第34-35页 |
| 3.4 图像检索实验 | 第35-40页 |
| 3.4.1 实验环境描述 | 第35-36页 |
| 3.4.2 实验数据分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于Fisher Kernel的局部不变特征融合方法研究 | 第41-59页 |
| 4.1 费希尔核模型 | 第41-42页 |
| 4.2 基于Fisher Kernel的局部不变特征融合算法 | 第42-47页 |
| 4.2.1 基于高斯混合模型的费希尔向量 | 第42-44页 |
| 4.2.2 局部融合的描述子向量 | 第44-45页 |
| 4.2.3 三角嵌入法 | 第45-46页 |
| 4.2.4 算法总结 | 第46-47页 |
| 4.3 基于局部约束线性编码的费希尔向量 | 第47-53页 |
| 4.3.1 稀疏表示模型与局部约束线性编码 | 第47-49页 |
| 4.3.2 字典梯度向量 | 第49-50页 |
| 4.3.3 费希尔信息矩阵 | 第50-51页 |
| 4.3.4 改进的白化降维算法 | 第51-52页 |
| 4.3.5 算法总结 | 第52-53页 |
| 4.4 图像检索实验 | 第53-58页 |
| 4.4.1 基本实验步骤 | 第53-54页 |
| 4.4.2 算法参数分析与优化 | 第54-57页 |
| 4.4.3 综合实验效果对比 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59-60页 |
| 5.2 未来工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
