基于显著区域提取和pLSA的图像检索方法
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景 | 第9-10页 |
| ·显著区域检测概述 | 第10-11页 |
| ·显著区域的概念 | 第10页 |
| ·显著区域检测技术的研究现状 | 第10-11页 |
| ·基于内容的图像检索 | 第11-13页 |
| ·图像检索的核心问题 | 第11-12页 |
| ·图像检索现有研究方法 | 第12页 |
| ·基于显著区域和pLSA的图像检索 | 第12-13页 |
| ·本文的主要研究工作 | 第13-14页 |
| ·文章的组织结构 | 第14-15页 |
| 第二章 基于谱残差和多分辨率分析的显著目标检测 | 第15-33页 |
| ·人类视觉注意机制 | 第15-16页 |
| ·视觉显著性 | 第15-16页 |
| ·视觉信息处理过程 | 第16页 |
| ·图像内容的描述方法 | 第16-18页 |
| ·有效编码假说 | 第18-19页 |
| ·谱残差模型 | 第19-21页 |
| ·自然图像的统计特性 | 第19页 |
| ·LOG谱表示 | 第19-21页 |
| ·谱残差描述 | 第21页 |
| ·多分辨率分析 | 第21-22页 |
| ·k-均值聚类方法 | 第22-23页 |
| ·特征选择 | 第23页 |
| ·显著目标检测 | 第23-28页 |
| ·显著图的基本流程 | 第23-25页 |
| ·视觉特征提取 | 第25-27页 |
| ·显著图计算 | 第27-28页 |
| ·显著区域分割方法 | 第28-30页 |
| ·全局阈值 | 第28页 |
| ·动态阈值 | 第28-29页 |
| ·显著区域提取 | 第29-30页 |
| ·算法的实验结果及分析 | 第30-31页 |
| ·本章小结 | 第31-33页 |
| 第三章 基于区域的潜在语义特征构建方法 | 第33-49页 |
| ·概率潜在语义分析方法 | 第33-36页 |
| ·pLSA的原理 | 第33-35页 |
| ·pLSA的优点 | 第35-36页 |
| ·图像与文本对应关系 | 第36页 |
| ·显著区域的底层特征描述 | 第36-41页 |
| ·颜色特征 | 第37-38页 |
| ·纹理特征 | 第38-39页 |
| ·基于Gabor小波的纹理分析 | 第39-41页 |
| ·区域潜在语义特征提取 | 第41-44页 |
| ·视觉词汇表的生成 | 第41-42页 |
| ·图像的BOW描述 | 第42-44页 |
| ·基于pLSA模型的区域潜在语义特征提取 | 第44页 |
| ·pLSA的实验结果和分析 | 第44-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 基于显著区域和pLSA的图像检索方法 | 第49-69页 |
| ·支持向量机 | 第49-53页 |
| ·最优分类超平面 | 第49-50页 |
| ·线性可分支持向量机 | 第50-51页 |
| ·线性不可分支持向量机 | 第51-52页 |
| ·非线性支持向量机 | 第52-53页 |
| ·多类支持向量机的构造 | 第53-55页 |
| ·one-vs-rest SVM | 第54页 |
| ·one-vs-one SVM | 第54页 |
| ·基于二叉树的多类SVM构造方法 | 第54-55页 |
| ·评价准则 | 第55-58页 |
| ·ROC曲线 | 第56-58页 |
| ·ROC曲线的数字特征 | 第58页 |
| ·算法设计 | 第58-59页 |
| ·实验结果与分析 | 第59-67页 |
| ·实验数据 | 第59-60页 |
| ·对比实验结果 | 第60-67页 |
| ·本章小结 | 第67-69页 |
| 第五章 总结和展望 | 第69-71页 |
| ·本文工作的总结 | 第69-70页 |
| ·展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间取得的科研成果 | 第77-79页 |
| 致谢 | 第79-80页 |
