| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1.绪论 | 第11-17页 |
| 1.1 研究目的及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14页 |
| 1.3 研究难点 | 第14-15页 |
| 1.4 研究内容与安排 | 第15-17页 |
| 2.CBIR 中的关键技术讲解 | 第17-35页 |
| 2.1 一般的 CBIR 系统体系结构描述 | 第17-18页 |
| 2.2 综合特征提取 | 第18-28页 |
| 2.2.1 颜色特征 | 第20-23页 |
| 2.2.2 纹理特征 | 第23-25页 |
| 2.2.3 形状特征 | 第25-28页 |
| 2.3 图像分类方法 | 第28-29页 |
| 2.4 图像的相似性度量 | 第29-32页 |
| 2.4.1 距离测度 | 第29-30页 |
| 2.4.2 相似度测度 | 第30-31页 |
| 2.4.3 概率测度 | 第31-32页 |
| 2.5 检索结果的评价指标 | 第32-34页 |
| 2.6 本章小结 | 第34-35页 |
| 3.多特征综合的图像检索 | 第35-48页 |
| 3.1 综合图像检索的基本思想和流程 | 第35-36页 |
| 3.2 颜色特征提取 | 第36-40页 |
| 3.3 形状特征提取 | 第40-45页 |
| 3.3.1 图像预处理 | 第41-42页 |
| 3.3.2 全局形状特征的提取 | 第42-43页 |
| 3.3.3 局部形状特征的提取 | 第43-45页 |
| 3.4 综合特征的形成 | 第45-46页 |
| 3.5 实验结果与分析 | 第46-47页 |
| 3.5.1 单一特征图像检索结果 | 第46页 |
| 3.5.2 综合特征图像检索结果 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4. 基于支持向量机多分类模型的图像检索方法 | 第48-54页 |
| 4.1 经典的机器学习理论方法 | 第48-50页 |
| 4.1.1 贝叶斯网络 | 第48-49页 |
| 4.1.2 BP 神经网络 | 第49页 |
| 4.1.3 AdaBoost | 第49-50页 |
| 4.2 支持向量机方法 | 第50-53页 |
| 4.2.1 基于支持向量机多分类模型的图像检索算法描述 | 第52-53页 |
| 4.2.2 实验结果与分析 | 第53页 |
| 4.3 本章小结 | 第53-54页 |
| 5.基于内容的图像检索原型系统的设计与实现 | 第54-61页 |
| 5.1 系统软件的设计目标 | 第54页 |
| 5.2 系统框架设计 | 第54-56页 |
| 5.3 系统模块功能的设计 | 第56-57页 |
| 5.4 系统实现 | 第57-59页 |
| 5.5 系统性能评价 | 第59-60页 |
| 5.6 本章小结 | 第60-61页 |
| 6.总结和展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间发表的学术论文和专利目录 | 第68-69页 |