| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 图像分类研究现状 | 第9-10页 |
| 1.2.2 图像主动分类研究现状 | 第10-12页 |
| 1.3 本文的主要研究内容 | 第12-14页 |
| 1.4 全文的结构框架 | 第14-16页 |
| 第2章 相关技术分析 | 第16-32页 |
| 2.1 引言 | 第16-17页 |
| 2.2 二类图像主动分类方法 | 第17-19页 |
| 2.3 多类图像主动分类方法 | 第19-26页 |
| 2.3.1 基于熵的图像主动分类方法 | 第19-21页 |
| 2.3.2 最优次优的图像主动分类方法 | 第21-23页 |
| 2.3.3 结合半监督学习的图像主动分类方法 | 第23-26页 |
| 2.4 实验结果分析 | 第26-31页 |
| 2.4.1 人工图像数据实验分析 | 第27-28页 |
| 2.4.2 标准光学图像集分类实验分析 | 第28-29页 |
| 2.4.3 BvSB+CST 关键参数对分类性能的硬性 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于最大分类优化的样本不确定性度量方法 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 最大分类优化样本选择策略 | 第32-37页 |
| 3.2.1 MCO 算法结构框架 | 第33-35页 |
| 3.2.2 最大分类优化采样方法 | 第35-37页 |
| 3.3 最大分类优化算法实现 | 第37-38页 |
| 3.3.1 算法步骤 | 第37-38页 |
| 3.3.2 时间复杂度分析 | 第38页 |
| 3.4 实验结果与分析 | 第38-43页 |
| 3.4.1 人工图像数据集实验结果分析 | 第38-40页 |
| 3.4.2 UCI 标准光学图像数据集实验结果分析 | 第40-42页 |
| 3.4.3 自然场景图像数据集实验结果分析 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 结合不确定性和代表性采样的图像主动分类方法 | 第44-64页 |
| 4.1 引言 | 第44-45页 |
| 4.2 代表性样本问题分析 | 第45-46页 |
| 4.3 UGM-MCO 算法 | 第46-51页 |
| 4.3.1 无向图模型构建算法 | 第46-48页 |
| 4.3.2 UGM-MCO 图像主动分类方法 | 第48-51页 |
| 4.4 图像分类实验结果与分析 | 第51-62页 |
| 4.4.1 无向图模型构建实验 | 第51-54页 |
| 4.4.2 标准光学图像集分类实验 | 第54-61页 |
| 4.4.3 卫星遥感图像集分类实验 | 第61-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第5章 总结与展望 | 第64-67页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 工作创新 | 第65-66页 |
| 5.3 工作展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读学位期间公开发表的论文与参与的科研项目 | 第72-74页 |
| 致谢 | 第74-75页 |
