| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 图像分割研究背景 | 第9-11页 |
| 1.2 图像分割研究现状及发展趋势 | 第11-17页 |
| 1.2.1 图像分割的研究现状 | 第12-16页 |
| 1.2.2 图像分割发展趋势 | 第16-17页 |
| 1.3 论文主要工作及创新点 | 第17-18页 |
| 1.4 论文的章节安排 | 第18-19页 |
| 第二章 相关技术基础 | 第19-31页 |
| 2.1 图像分割的定义 | 第19-20页 |
| 2.2 人脸检测技术 | 第20-21页 |
| 2.3 基于边缘的图像分割方法 | 第21-23页 |
| 2.4 GrabCut算法的理论基础 | 第23-29页 |
| 2.4.1 图论 | 第23-25页 |
| 2.4.2 割与网络流 | 第25页 |
| 2.4.3 最小割定理 | 第25-27页 |
| 2.4.4 基于图论的图像分割基本方法 | 第27-29页 |
| 2.5 图像分割的评价标准 | 第29-31页 |
| 第三章 基于人脸检测与服装边缘的服装区域定位方法 | 第31-47页 |
| 3.1 服装图像主要特点 | 第31-32页 |
| 3.2 基于人脸检测的服装区域粗定位 | 第32-37页 |
| 3.2.1 AdaBoost人脸检测实现 | 第32-35页 |
| 3.2.2 服装区域的粗定位 | 第35-37页 |
| 3.3 服装的边缘检测 | 第37-40页 |
| 3.3.1 Canny算子 | 第37-39页 |
| 3.3.2 Canny服装边缘检测结果 | 第39-40页 |
| 3.4 服装区域的准确定位 | 第40-44页 |
| 3.4.1 基于局部服装边缘的有人脸图像的服装区域定位方法 | 第40-42页 |
| 3.4.2 基于全局服装边缘的无人脸图像的服装区域定位方法 | 第42-44页 |
| 3.5 服装区域准确定位的实验结果 | 第44-47页 |
| 第四章 基于人脸与边缘的服装图像自动分割算法 | 第47-61页 |
| 4.1 问题定义 | 第47页 |
| 4.2 GrabCut分割算法介绍与实现 | 第47-52页 |
| 4.2.1 色彩模型 | 第48-49页 |
| 4.2.2 迭代能量最小化算法 | 第49-51页 |
| 4.2.3 用户交互编辑 | 第51-52页 |
| 4.3 基于人脸与边缘的服装图像自动分割算法 | 第52-55页 |
| 4.3.1 初始分割区域的自动生成 | 第52-53页 |
| 4.3.2 基于人脸与边缘的服装图像自动分割算法步骤 | 第53-54页 |
| 4.3.3 算法特点 | 第54-55页 |
| 4.4 分割结果的评价方法 | 第55-56页 |
| 4.5 实验结果与分析 | 第56-61页 |
| 4.5.1 实验数据选取 | 第56-57页 |
| 4.5.2 算法分割结果 | 第57-59页 |
| 4.5.3 实验结果评价 | 第59-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间取得的科研成果 | 第69-71页 |
| 致谢 | 第71页 |
