一、基于代表色的图像检索方法研究（论文文献综述）
宋卫华[1]（2013）在《C#实现基于代表色聚类的图像检索》文中提出论述了基于代表色聚类的图像检索方法,采用Visual C#和SQL Server设计并实现了一个图像检索的原型系统,对研究CBIR及其应用具有一定的参考价值。
赵贝贝[2]（2010）在《基于颜色特征的木质板材分类方法的研究》文中指出颜色特征是木质板材重要的自然属性之一,人们往往会根据板材的颜色来评判其质地的好坏,尤其是在木质地板加工业和木质家具加工行业,其颜色成为评价产品优劣的重要指标。目前在木材加工行业还没有描述木材表面颜色的国家标准和行业准则,本课题针对这一问题,结合图像处理技术和模式识别理论方法,研究建立了一套能够反映木质板材表面颜色特征的参数体系,为木材表面颜色的自动分类打下坚实的理论和实践基础。本文首先对基于颜色特征的图像分类进行了概述,介绍了常见的颜色空间模型以及颜色特征表示方法。在后续的研究中,基于HSV颜色空间,分别使用了颜色直方图统计特征,颜色熵值特征和主颜色特征等表示方法。介绍了几种常用的分类器的原理与设计方法,分别为K-近邻分类器（KNN）、BP神经网络分类器、PNN神经网络分类器和支持向量机（SVM）分类器。本文研究的重点是提出了三种木质板材颜色特征的提取方法。首先是基于提升小波变换提取颜色特征的方法,先将计算机中RGB颜色空间下的木材样本图片转换成基于HSV颜色空间的样本图片,然后将每幅图片均匀分成四块,提取H、S、V各颜色分量的熵值,最终形成了12个特征参数,分别选用K-近邻分类器、PNN分类器和SVM分类器进行分类仿真实验；然后提出基于信息熵理论的特征加权的分类方法研究,结合颜色直方图的统计特征,对原始形成的18个特征参数进行权重调整,并根据遗传算法进行了特征选择,最后选用K-近邻分类器和BP神经网络分类器进行分类实验；最后提出基于全局代表色与局部代表色的分类方法研究,形成6个全局代表色和16个局部代表色,运用遗传算法进行特征优化,最后选用K-近邻分类器、PNN分类器和SVM分类器进行分类仿真实验。对比了三种颜色特征提取方法,最终确定了木质板材颜色特征的参数体系和分类器的选择,为木材生产加工过程提供了有力的参考,同时也为其他图像处理与图像分类研究提供了新的依据。
王海龙,杜俊俐,郭清宇[3]（2009）在《基于内容的图像检索技术在服装检索中的应用》文中认为随着服装电子商务的日益普及,基于图像的服装检索需求日渐迫切。颜色、花型、款式是服装最本质的三大特征,基于这三大特征进行研究,用代表色表达服装的颜色,利用灰度共生矩阵刻画服装的花型,提取外轮廓特征表达服装的款式,提出相应的匹配算法,实现对服装图像的全方位检索。实验表明,达到理想的检索效果。
陈健[4]（2009）在《基于表现特征的人体着装分析与识别》文中指出近年来,随着视频监控系统不断向数字化和智能化发展,智能监控技术已经引起了工业界和学术界越来越多的重视。由于在特定的场所,特定的人物通常穿制服,通过识别人体着装,即可判断目标的角色,因此着装识别也是智能视频监控系统中很重要的技术。在视频监控系统中,基于特定的角色去检测和跟踪特定的目标可以取得更好的效果。本文首先比较分析了当前典型的图像分类算法,针对智能监控系统的特点和本文的研究场景,采用基于支持向量机的图像分类算法实现了人体着装的分析和识别,并通过对算法的调整和改进提高了算法的效率。按照本文提出的方法,设计并实现了人体着装分析与识别原型系统,并在实际环境中开展了实验,实验数据验证了人体着装识别算法应用于智能监控系统中角色识别的良好效果,而且具有很好的实时性。
李欣[5]（2009）在《基于颜色特征的图像检索方法的设计与实现》文中认为基于内容的图像检索（CBIR,Content-based Image Retrieval）是指直接采用图像内容进行图像信息查询的检索。这一领域是多媒体检索中的热门课题之一。基于内容的图像检索方法,其主要思想是根据图像所包含的色彩、纹理、形状以及对象的空间关系等低层图像特征来分析图像信息,建立图像的特征矢量作为其索引,检索方法目前主要是根据图像的多维特征矢量进行相似查询。本文主要研究基于图像颜色特征的检索。提出了一种基于代表色块的特征的图像检索方法。方法是在HSL色彩空间提取出能够良好再现原图像主色调的n种颜色（称为代表色）,再计算出表征各代表色的色块分布聚散程度的特征,并计算各代表色为主导颜色的区域的纹理特征。基于图像的上述特征矢量,实现对图像库中相似图像的检索。首先,从光学、视觉心理学、数字图像处理等多种角度对各种颜色模型进行了讨论,分析了它们的模型定义、特点及适用范围。在此基础上,选择HSL颜色模型进行改造,提出了能够良好表现人类视觉上的色彩聚类特征的变形HSL颜色模型。在此颜色空间内通过适当的聚类分析算法,在兼顾颜色分辨率和颜色特征维数的条件下,提取原始图像的代表色,并将原始图像转化为代表色图像。其次,考虑到单纯代表色特征对图像语义信息表示能力的不足,引入了表征代表色的空间分布特征的指标。首先回顾了不变矩的来源和特点,进一步指出不变矩具有表征二值图像分布聚散程度的能力,它能从全局的角度描述各代表色的空间分布属性。然后讨论了基于代表色矩的图像相似性度量算法。最后,引入代表色主导区域的纹理属性,作为进一步精确表征图像语义信息的特征,用以对在代表色图像表征原始图像过程中损失的信息做出补偿。在划分代表色图像中各代表色主导区域的基础上,讨论了各种表征图像细节、纹理和色彩相互关系的指标,并提出了有效的快速算法。此外,还研究了同时考虑上述代表色特征的综合特征匹配检索算法、图像检索系统的一般体系结构、和加快检索速度的各种方法。本文提出的基于代表色综合特征的图像检索方法,是一种既考虑到图像的颜色特征、又兼顾图像颜色的空间分布特征、和各代表色的细节纹理特征的检索方法。在大量检索实验中,取得了较好的实验结果。
王静[6]（2008）在《基于颜色特征的图像分类算法研究》文中研究说明随着数码设备、网络及多媒体技术的发展,人们在工作、学习和日常生活中不断地产生大量的图像数据。因为数字图像呈现了爆炸式的增长方式,如何合理而又高效地组织海量的图像数据、结合图像低层特征,将数字图像进行分类和检索是目前的一个研究热点。本文所做的研究工作包括以下几个方面:1、改进的基于颜色的图像分类方法研究。特征提取是基于内容检索的关键技术,它决定了图像分类性能的好坏。而颜色特征是图像物理特征中最直接的视觉特征,相对于其它特征,颜色特征非常稳定,对于图像的平移、尺度、旋转等变化不敏感,具有很强的鲁棒性,而且颜色特征计算简单。因此,在本论文所实现的图像分类系统中,采用HSV颜色模型对颜色空间进行量化后,分别对图像进行了全局代表色和分块代表色的提取,并通过实验对比了两种特征提取方式的图像分类准确率。2、基于支持向量机的图像分类方法研究。支持向量机能够较好的解决小样本学习问题,其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。本文在详细论述了支持向量机算法的基础上,采用一对多SVM方法,为每一类图像分别构建一个分类器,应用序列最小化（SMO）分类算法,实现了基于支持向量机的图像分类系统。3、图像分类中相关反馈方法的实现。由于图像的低层视觉特征与高层概念的相关性较弱,且在图像分类系统中用户的主观性比较强,因此本文将相关反馈技术加入到图像分类系统中,通过用户与系统的实际交互过程进行图像分类。由于相关反馈过程可以看作模式识别中的二分类问题,因此本文将SVM算法用于相关反馈的学习和分类过程中。实验结果显示在图像分类系统中加入相关反馈技术能有效的提高图像分类的准确率。
杜俊俐,袁守华[7]（2008）在《基于图形图像的服装电子商务系统特色功能研究》文中指出为使服装电子商务系统真正成为人们的购衣场所,针对服装商品的特殊性,设计了服装检索、服装展示、虚拟试衣、协同购物、服装定制5种服装电子商务系统特色功能,并利用图形图像技术实现这些功能,全面支持购衣活动.
缑西梅[8]（2006）在《基于内容的图像检索技术研究》文中提出90年代以来，随着多媒体技术及Internet技术的迅速发展，大量数字图像不断出现，如何对这些庞大的图像库管理和检索显得非常重要。传统的基于文本的图像检索通常是为图像加上关键字，缺点是比较费时费力，常常不能准确地反映图像的内容，且带有很强的主观性，不同的人会有不同的理解，这已不能满足用户的迫切需求。因此近几年来，基于内容的图像检索（CBIR）变得越来越重要，已经成为最活跃的研究领域之一。所谓基于内容的图像检索是指利用图像内容对图像进行相似性查询的一项技术。一般来说，图像的内容包括图像的颜色特征、形状特征、纹理特征等，它们是检索中最基本的底层特征。该文实现了一个实用的基于颜色、纹理特征的图像检索系统。在CBIR系统中，特征提取和匹配算法是决定图像检索结果好坏的关键。基于这方面的考虑，在提取图像的颜色特征时，采用两种方式：一是在HSV颜色模型空间中进行颜色直方图统计得到一个72柄的一维矢量。二是首先将图像在纵横方向进行平均分割，以各个分割块中像素的色彩平均值和分割块在图像中的位置作为图像的像素坐标空间特征，即提取平均色；然后在HSV颜色模型空间中，通过适当的聚类分析算法提取出能够代表图像颜色特征的代表色集，即代表色，综合平均色和代表色特征值进行检索。在提取纹理特征时，为了减少计算量、提高检索准确率，首先对原图像进行压缩和灰度化。在此基础上，利用图像的灰度共生矩阵，统计出反映纹理一致性、纹理对比、纹理的熵和纹理相关性的数值。并给出了基于以上三种特征的匹配算法。通过大量实验和对检索结果进行评价，表明该系统是可用的。
张洁[9]（2006）在《基于颜色特征的图像检索的研究与实现》文中研究说明基于内容的图像检索（CBIR,Content-Based Image Retrieval）是一种利用图像的视觉特征（如颜色、纹理、形状等）进行图像检索的技术。随着多媒体等技术的发展,CBIR已成为国内外研究的一个热点。本文首先介绍了基于内容的图像检索的背景和应用;阐述了基于内容的图像检索的相关技术;然后较为详细阐述了基于颜色特征的图像检索的各个关键技术;并在深入研究图像颜色特征提取和相似性匹配的基础上,提出将三维的颜色数据降为一维72柄数据,利用颜色直方图,分别采用全局代表色和分块代表色用于颜色全局相似和对应位置颜色相似匹配查询。这种方法既满足了彩色图像的检索需要,又减小了数据库内的数据量,同时提高了检索速度。本文设计了一个基于内容的图像检索系统框架。采用Microsoft Visual C++6.0和Microsoft Access 2000数据库实现了基于颜色特征的图像检索软件,该软件具有模块化、易维护、易更新的特点。图像检索系统综合了数据库技术、信息检索、图像处理、计算机视觉、模式识别等多学科的技术。它的发展与这些学科密切相关,并很大程度上受到这些学科的影响。而图像检索技术又具有其自身的显着特点,随着互联网和多媒体技术的不断发展,它将会成为一个更加成熟和有效的技术。
杨关良,李忠杰,徐小杰[10]（2005）在《基于颜色-空间的图像检索算法》文中研究说明在分析了现有的基于内容的图像检索方法的基础上,提出了一种基于颜色空间分布的图像检索方法。该方法采用HSI颜色模型提取代表色,提高了图像检索的速度;通过图像分块后统计各方块颜色的代表色直方图并赋予不同的权值,提高了图像检索的精度,改善了图像检索的质量。实验结果表明,排序上明显优于其它几种分块算法,可以得到满意的查询结果。
二、基于代表色的图像检索方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于代表色的图像检索方法研究（论文提纲范文）
（1）C#实现基于代表色聚类的图像检索（论文提纲范文）
| 1 引言 |
| 2 系统需求 |
| 3 聚类算法 |
| 4 软件实现 |
| 4.1 数据库 |
| 4.2 检索界面 |
| 5 结语 |
（2）基于颜色特征的木质板材分类方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本研究的目的和意义 |
| 1.2 木质板材颜色特征研究的现状 |
| 1.3 计算机模式识别的系统与方法 |
| 1.3.1 计算机模式识别系统 |
| 1.3.2 模式识别方法 |
| 1.4 论文主要的研究内容 |
| 1.4.1 研究的主要内容 |
| 1.4.2 研究流程图 |
| 2 基于颜色特征的图像分类概述 |
| 2.1 图像分类的一般过程 |
| 2.2 常见的颜色空间模型 |
| 2.2.1 RGB颜色空间 |
| 2.2.2 HSV颜色空间 |
| 2.2.3 L~*a~*~b颜色空间 |
| 2.2.4 其他颜色空间 |
| 2.3 颜色特征表示方法 |
| 2.3.1 颜色直方图及其统计特征表示 |
| 2.3.2 颜色矩定义及其特征表示 |
| 2.3.3 其他颜色特征表示 |
| 2.4 颜色特征的优化 |
| 2.4.1 特征优化的判据 |
| 2.4.2 搜索策略 |
| 2.5 分类方法的选择与性能优化 |
| 2.5.1 分类方法的选择 |
| 2.5.2 分类性能的评价 |
| 2.6 本章小结 |
| 3 分类器原理与设计 |
| 3.1 K-近邻分类器 |
| 3.1.1 最近邻决策规则 |
| 3.1.2 K-近邻法 |
| 3.2 神经网络分类器 |
| 3.2.1 BP神经网络分类器 |
| 3.2.2 PNN神经网络分类器 |
| 3.3 支持向量机分类器 |
| 3.3.1 支持向量机的定义 |
| 3.3.2 支持向量机的核函数 |
| 3.3.3 支持向量机模型 |
| 3.3.4 SVM多分类问题 |
| 3.4 本章小结 |
| 4 基于提升小波提取木质板材颜色特征的研究 |
| 4.1 小波变换的定义 |
| 4.2 提升小波变换的基本原理 |
| 4.2.1 提升小波的分解 |
| 4.2.2 提升小波的重构 |
| 4.3 提升小波在颜色特征提取上的应用 |
| 4.3.1 颜色空间的选取 |
| 4.3.2 颜色特征的提取 |
| 4.4 分类结果分析 |
| 4.4.1 实验样本库的建立 |
| 4.4.2 实验仿真结果 |
| 4.5 本章小结 |
| 5 基于信息熵理论的特征加权分类方法研究 |
| 5.1 基于HSV颜色空间的颜色直方图统计特征 |
| 5.2 信息熵理论及其在特征权重调整上的应用 |
| 5.2.1 信息熵理论概述 |
| 5.2.2 特征权重值调整的具体算法 |
| 5.3 分类结果分析 |
| 5.3.1 K-近邻分类器的分类结果分析 |
| 5.3.2 BP神经网络分类器的分类结果分析 |
| 5.4 本章小结 |
| 6 基于全局代表色与局部代表色的分类方法研究 |
| 6.1 颜色空间的量化处理 |
| 6.2 木材表面图像颜色特征的提取 |
| 6.2.1 全局代表色的提取 |
| 6.2.2 局部代表色的提取 |
| 6.3 分类结果分析 |
| 6.3.1 未进行特征选择的分类结果 |
| 6.3.2 基于遗传算法进行特征选择的分类结果 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（3）基于内容的图像检索技术在服装检索中的应用（论文提纲范文）
| 1 引 言 |
| 2 服装图像检索方式 |
| 3 基于颜色特征的服装检索 |
| 3.1 代表色的定义与提取 |
| 3.2 代表色的匹配 |
| 4 基于花型的服装图像检索 |
| 4.1 基于灰度共生矩阵的服装花型特征的提取 |
| 4.2 基于灰度共生矩阵的服装花型特征的相似度量 |
| 4.3 基于花型的服装图像检索实验 |
| 5 基于款式的服装图像检索 |
| 6 结束语 |
（4）基于表现特征的人体着装分析与识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 相关研究现状 |
| 1.2.1 智能视频监控系统的研究现状 |
| 1.2.2 典型的图像分类方法 |
| 1.2.3 着装识别和分类方法的研究现状 |
| 1.3 本文研究内容及其意义 |
| 1.4 论文组织结构 |
| 第二章 基于特征的图像分类算法概述 |
| 2.1 图像分类的一般流程 |
| 2.2 表现特征提取算法 |
| 2.2.1 颜色特征的提取 |
| 2.2.2 纹理特征的提取 |
| 2.2.3 形状特征的提取 |
| 2.3 支持向量机 |
| 2.3.1 统计学习理论 |
| 2.3.2 支持向量机理论 |
| 2.3.3 核函数 |
| 2.3.4 多类分类问题 |
| 2.4 本章小结 |
| 第三章 基于表现特征的着装分类识别算法 |
| 3.1 算法思想 |
| 3.2 运动目标获取 |
| 3.3 图像的预处理 |
| 3.3.1 数据图像的规范化 |
| 3.3.2 颜色空间的转换 |
| 3.3.3 颜色的量化处理 |
| 3.4 着装颜色特征的提取 |
| 3.4.1 全局代表色的提取 |
| 3.4.2 分块代表色的提取 |
| 3.5 基于表现特征的着装分类 |
| 3.5.1 基于多类别分类的实现策略 |
| 3.5.2 用支持向量机进行着装分类 |
| 3.5.3 支持向量机的训练 |
| 3.5.4 惩罚系数的选择 |
| 3.6 程序运行效率提高方法 |
| 3.6.1 预制查找表 |
| 3.6.2 二维数组降维 |
| 3.7 本章小结 |
| 第四章 原型系统的设计与实现 |
| 4.1 系统综述 |
| 4.1.1 功能模块划分 |
| 4.1.2 系统硬件 |
| 4.1.3 系统流程 |
| 4.2 软件设计与实现 |
| 4.2.1 图像数据库 |
| 4.2.2 图像入库 |
| 4.2.3 着装分类 |
| 4.3 本章小结 |
| 第五章 系统实验 |
| 5.1 实验环境 |
| 5.2 试验结果 |
| 5.2.1 着装识别准确性 |
| 5.2.2 着装识别的实时性 |
| 5.3 本章小结 |
| 第六章 工作总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 致谢 |
（5）基于颜色特征的图像检索方法的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究的目的和意义 |
| 1.2 CBIR的理论背景 |
| 1.2.1 概述 |
| 1.2.2 CBIR过程的一般框架 |
| 1.2.3 CBIR的技术特征 |
| 1.2.4 特征选择的一般方法 |
| 1.3 系统配置 |
| 1.4 论文组织结构 |
| 第2章 基于颜色特征的图像检索相关技术 |
| 2.1 概述 |
| 2.2 影响颜色特征提取的因素 |
| 2.3 颜色语义重要性的过滤机制 |
| 2.4 颜色信息表示、提取和匹配 |
| 2.4.1 RGB空间的直方图方法 |
| 2.4.2 参考颜色表的方法 |
| 2.4.3 HSI空间的颜色区域划分法 |
| 2.4.4 HSI空间基于聚类分析的颜色特征提取法 |
| 2.5 颜色的空间分布特征的描述 |
| 2.5.1 基于图像分割的直方图检索方法 |
| 2.5.2 基于色彩结构的方法 |
| 2.5.3 主色矩方法 |
| 2.5.4 数学形态学的方法 |
| 2.6 检索系统的评价指标 |
| 2.7 本章小结 |
| 第3章 图像检索算法的设计 |
| 3.1 颜色模型的选取 |
| 3.2 选择HSL颜色模型 |
| 3.3 对代表色块的设计 |
| 3.4 代表色纹理属性的设计 |
| 3.5 加快检索速度的方法 |
| 3.5.1 逐层过滤的方法 |
| 3.5.2 基于索引技术的方法 |
| 3.6 常规基于内容CBIR方法的性能比较 |
| 3.7 各种检索方法的适用范围 |
| 3.8 本章小结 |
| 第4章 图像检索方法的实现 |
| 4.1 对HSL颜色模型进行变形 |
| 4.2 代表色提取 |
| 4.3 代表色相似性度量 |
| 4.3.1 二次型距离算法 |
| 4.3.2 代表色的匹配的快速算法 |
| 4.4 代表色色块的空间分布特征提取 |
| 4.4.1 代表色矩的归一化 |
| 4.4.2 二次型距离算法 |
| 4.4.3 代表色矩匹配的简化算法 |
| 4.5 代表色主导矩形区域纹理特征的数学表示 |
| 4.6 对代表色主导区域的纹理特征的提取 |
| 4.7 代表色的纹理特征的匹配 |
| 4.8 本章小结 |
| 第5章 系统测试 |
| 5.1 代表色矩用于图像检索的实验结果 |
| 5.2 引入纹理特征后的效果 |
| 5.3 数据对比 |
| 5.4 图像相似度的综合评价 |
| 5.5 本章小结 |
| 第6章 结论 |
| 参考文献 |
| 致谢 |
（6）基于颜色特征的图像分类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 图像特征提取和表示的国内外研究现状 |
| 1.2.2 分类方法的国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 本文的组织结构 |
| 1.5 课题来源 |
| 第2章 基于颜色特征的图像分类算法概述 |
| 2.1 图像分类的一般过程 |
| 2.2 颜色模型的选取 |
| 2.3 颜色特征的表达方式 |
| 2.4 分类方法的选择 |
| 2.5 相关反馈技术 |
| 2.6 分类性能评价 |
| 第3章 统计学理论与支持向量机 |
| 3.1 机器学习的基本问题 |
| 3.2 统计学习理论 |
| 3.2.1 函数学习性能的指标——VC维 |
| 3.2.2 泛化问题的界 |
| 3.2.3 结构风险最小化 |
| 3.3 支持向量机 |
| 3.3.1 线形情况 |
| 3.3.2 非线形情况 |
| 3.3.3 支持向量机方法的补充说明 |
| 3.3.4 核函数 |
| 3.3.5 多类分类问题 |
| 3.3.6 用支持向量机进行图像分类 |
| 第4章 基于颜色特征的图像分类算法 |
| 4.1 图像的预处理 |
| 4.1.1 数据图像的规范化 |
| 4.1.2 颜色空间的转换 |
| 4.1.3 颜色的量化处理 |
| 4.2 图像颜色特征的提取 |
| 4.2.1 全局代表色的提取 |
| 4.2.2 分块代表色的提取 |
| 4.3 图像分类 |
| 4.3.1 多类别分类的实现策略 |
| 4.3.2 支持向量机的训练 |
| 4.3.3 惩罚系数的选择 |
| 4.4 相关反馈 |
| 第5章 图像分类系统的设计与实现 |
| 5.1 系统框架 |
| 5.2 图像数据库 |
| 5.3 图像入库 |
| 5.4 图像分类 |
| 5.5 分类结果分析 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究生履历 |
（7）基于图形图像的服装电子商务系统特色功能研究（论文提纲范文）
| 1 中原服装网的总体设计 |
| 2 服装检索功能设计 |
| 2.1 服装图像检索方式 |
| (1) 外部图例查询. |
| (2) 内部图例查询. |
| (3) 草图查询. |
| 2.2 基于颜色特征的服装检索 |
| 2.2.1 代表色的定义 |
| 2.2.2 代表色的匹配 |
| 2.3 基于花型特征的服装检索 |
| (1) 花型特征的提取. |
| (2) 相似度量. |
| 2.4 基于款式特征的服装检索 |
| 3 服装展示功能设计 |
| 4 试衣功能设计 |
| 4.1 人模建造 |
| 4.1.1 基于标模调整的用户模型建造 |
| 4.1.2 基于用户照片的用户模型建造 |
| 4.2 虚拟试衣功能 |
| 5 服装协同购物功能设计 |
| 6 服装定制功能设计 |
| 7 结 语 |
（8）基于内容的图像检索技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 图像检索的重要意义 |
| 1.2 图像检索的历史和现状 |
| 1.2.1 基于文本方式的图像检索 |
| 1.2.2 基于知识和视觉特征的图像管理 |
| 1.2.3 Web环境下基于内容的图像检索 |
| 1.3 基于图像内容检索系统的应用 |
| 1.4 论文的主要工作 |
| 第二章 基于内容的图像检索系统构成 |
| 2.1 系统结构 |
| 2.2 系统特点 |
| 2.3 视觉特征的提取 |
| 2.3.1 颜色 |
| 2.3.2 纹理 |
| 2.3.3 形状 |
| 2.4 图像特征的匹配 |
| 2.5 图像检索中的相关反馈技术 |
| 2.6 基于内容的图像检索查询方式 |
| 2.6.1 外部图例查询(Query by External Pictorial Example) |
| 2.6.2 内部图例查询(Query by Internal Pictorial Examp1e) |
| 2.6.3 草图查询(Query by Sketch) |
| 第三章 颜色特征的图像检索技术 |
| 3.1 利用HSV颜色特征进行图像检索 |
| 3.1.1 HSV模型 |
| 3.1.2 从RGB推算HSV |
| 3.1.3 HSV直方图特征 |
| 3.1.4 HSV直方图相似度计算 |
| 3.1.5 讨论 |
| 3.2 利用平均色和代表色颜色特征的图像检索 |
| 3.2.1 像素坐标空间特征计算(平均色) |
| 3.2.2 代表色特征 |
| 3.2.3 平均色的匹配 |
| 3.2.4 代表色的匹配 |
| 3.2.5 平均色和代表色特征的综合检索结果 |
| 第四章 纹理特征的图像检索技术 |
| 4.1 图像的预处理 |
| 4.2 基于共生矩阵的图像标识 |
| 4.3 基于共生矩阵的图像标识的度量 |
| 4.4 图像灰度共生矩阵提取纹理特征检索结果 |
| 第五章 后记 |
| 5.1 总结 |
| 5.1.1 系统特点 |
| 5.1.2 系统测试结果 |
| 5.1.3 系统不足之处 |
| 5.2 未来研究的方向 |
| 致谢 |
| 参考文献 |
| 附录1: 攻读研究生期间发表的论文 |
| 附录2: 系统所使用的公用子函数 |
（9）基于颜色特征的图像检索的研究与实现（论文提纲范文）
| 内容提要 |
| 第一章 引言 |
| 1.1 课题的提出 |
| 1.2 基于内容的图像检索 |
| 1.3 国内外基于内容的图像检索研究现状 |
| 1.4 课题研究的意义和主要内容 |
| 第二章 基于图像内容的检索 |
| 2.1 基于内容的图像检索的系统结构 |
| 2.2 图像数据库体系结构 |
| 2.3 单一特征的检索技术 |
| 2.4 综合检索技术 |
| 2.5 相关反馈技术 |
| 2.6 图像内容的相似度量方法 |
| 2.7 图像检索性能的评价方法 |
| 2.8 基于内容的图像检索系统需求分析 |
| 第三章 基于图像颜色检索的相关问题 |
| 3.1 颜色的常用空间 |
| 3.2 颜色空间的转换 |
| 3.3 颜色特征的常用表示方法 |
| 3.4 颜色特征的常用相似度量方法 |
| 第四章 基于颜色的图像检索方法 |
| 4.1 图像的预处理 |
| 4.2 图像颜色特征的提取 |
| 4.3 图像相似度量 |
| 4.4 图像检索方案 |
| 第五章 基于颜色的图像检索系统的设计与实现 |
| 5.1 系统运行环境 |
| 5.2 系统框架 |
| 5.3 图像数据库 |
| 5.4 图像入库 |
| 5.5 图像查询 |
| 5.6 图像检索系统的界面 |
| 5.7 实验结果图与分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 进一步研究工作 |
| 6.3 展望 |
| 参考文献 |
| 中文摘要 |
| ABSTRACT |
| 致谢 |
| 导师及作者简介 |
四、基于代表色的图像检索方法研究（论文参考文献）
- [1]C#实现基于代表色聚类的图像检索[J]. 宋卫华. 电脑编程技巧与维护, 2013(12)
- [2]基于颜色特征的木质板材分类方法的研究[D]. 赵贝贝. 东北林业大学, 2010(04)
- [3]基于内容的图像检索技术在服装检索中的应用[J]. 王海龙,杜俊俐,郭清宇. 计算技术与自动化, 2009(02)
- [4]基于表现特征的人体着装分析与识别[D]. 陈健. 北京邮电大学, 2009(03)
- [5]基于颜色特征的图像检索方法的设计与实现[D]. 李欣. 东北大学, 2009(S1)
- [6]基于颜色特征的图像分类算法研究[D]. 王静. 大连海事大学, 2008(03)
- [7]基于图形图像的服装电子商务系统特色功能研究[J]. 杜俊俐,袁守华. 中原工学院学报, 2008(01)
- [8]基于内容的图像检索技术研究[D]. 缑西梅. 郑州大学, 2006(06)
- [9]基于颜色特征的图像检索的研究与实现[D]. 张洁. 吉林大学, 2006(05)
- [10]基于颜色-空间的图像检索算法[J]. 杨关良,李忠杰,徐小杰. 工程图学学报, 2005(03)