声明
致谢
摘要
1 绪论
1.1 研究背景和研究意义
1.2 研究现状及存在的问题
1.2.1 边界检测研究现状及分析
1.2.2 图像分类研究现状及分析
1.3 主要研究内容
1.4 论文的组织结构
2 图像的特征表示
2.1 图像的低层特征-边界
2.1.1 基于梯度的Canny边缘检测算子及其改进算法
2.1.2 基于机器学习的边界检测算法
2.1.3 基于显著性的边界检测算法
2.2 图像的局部特征
2.3 图像的区域特征
2.4 本章小结
3 基于朝向对比度的边界检测
3.1 边界检测算法
3.2 朝向对比度模型
3.2.1 候选边缘计算
3.2.2 朝向对比度计算
3.2.3 边界的特征表示
3.3 基于学习的边界检测算法
3.4 实验
3.4.1 边界检测算法步骤
3.4.2 与无监督边界检测算法的比较
3.4.3 与监督边界检测算法的比较
3.4.4 在VOC 2010和ImageNet数据集上的结果
3.4.5 在噪音图像上的结果
3.5 本章小结
4 基于空间约束稀疏编码的图像分类
4.1 图像分类概述
4.2 基于稀疏编码的图像分类框架
4.3 局部空间约束编码
4.4 空间约束池化
4.5 实验
4.5.1 局部空间约束编码
4.5.2 空间约束池化
4.5.3 特定类的池化区域
4.6 本章小结
5 融入中层特征的图像分类
5.1 相关工作
5.2 矩形区域划分及其特征表示
5.2.1 矩形区域划分图像
5.2.2 矩形区域的特征表示
5.3 超像素区域划分及其特征表示
5.3.1 超像素划分图像
5.3.2 超像素区域的特征表示
5.4 融入中层特征的图像分类框架
5.5 实验
5.5.1 超像素图像分割
5.5.2 融入中层特征的图像特征表示
5.5.3 融入中层特征的图像分类结果
5.6 本章小结
6 总结与展望
6.1 本文工作总结
6.2 未来工作展望
参考文献
攻读博士学位期间发表的学术论文
学位论文数据集