| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第6-10页 |
| 1.1 前景提取介绍 | 第6-7页 |
| 1.2 前景提取模型 | 第7-8页 |
| 1.3 快速前景提取简介 | 第8页 |
| 1.4 神经元网络前景提取简介 | 第8-9页 |
| 1.5 本文结构安排 | 第9-10页 |
| 第二章 相关概念和理论 | 第10-18页 |
| 2.1 Trimap和Scribble | 第10-11页 |
| 2.2 Lab颜色空间 | 第11-12页 |
| 2.3 人工神经元网络 | 第12-14页 |
| 2.4 膨胀和腐蚀 | 第14-18页 |
| 2.4.1 膨胀 | 第14-15页 |
| 2.4.2 腐蚀 | 第15-16页 |
| 2.4.3 膨胀和腐蚀的组合 | 第16-18页 |
| 第三章 前景提取研究现状 | 第18-35页 |
| 3.1 蓝屏前景提取(Blue Screen Matting) | 第18-19页 |
| 3.2 贝叶斯前景提取(Bayesian matting) | 第19-21页 |
| 3.3 鲁棒性前景提取(robust matting) | 第21-26页 |
| 3.3.1 α值估计 | 第21-23页 |
| 3.3.2 α值优化 | 第23-24页 |
| 3.3.3 定量评估方案 | 第24-26页 |
| 3.4 软剪刀方法(Soft Scissors) | 第26-28页 |
| 3.5 基于学习的前景提取算法(Learning Based Digital Matting) | 第28-33页 |
| 3.5.1 通过学习估计α值矩阵 | 第28-30页 |
| 3.5.2 局部模型 | 第30页 |
| 3.5.3 全局模型 | 第30-32页 |
| 3.5.4 实验结果 | 第32-33页 |
| 3.6 小结 | 第33-35页 |
| 第四章 快速前景提取 | 第35-44页 |
| 4.1 快速前景提取的扩张方法 | 第35-36页 |
| 4.2 Alpha值的计算 | 第36-38页 |
| 4.3 实验结果 | 第38-42页 |
| 4.4 小结 | 第42-44页 |
| 第五章 神经元网络前景提取 | 第44-61页 |
| 5.1 学习相关的前景提取算法简介 | 第44-46页 |
| 5.2 神经元网络和回归问题 | 第46页 |
| 5.3 基于分块的神经元网络前景提取 | 第46-49页 |
| 5.3.1 图像分块 | 第46-47页 |
| 5.3.2 选取前景样本点和背景样本点 | 第47-48页 |
| 5.3.3 训练神经元网络 | 第48-49页 |
| 5.4 全局神经元网络前景提取 | 第49页 |
| 5.5 基于分块的方法与全局方法的比较和分析 | 第49-50页 |
| 5.6 Alpha矩阵优化 | 第50-52页 |
| 5.7 实验和讨论 | 第52-59页 |
| 5.7.1 基于分块的前景提取算法Vs.全局前景提取算法 | 第52-54页 |
| 5.7.2 神经元网络前景提取算法Vs.传统前景提取算法 | 第54-57页 |
| 5.7.3 神经元网络前景提取的一个应用场景——树的提取 | 第57-59页 |
| 5.8 小结 | 第59-61页 |
| 第六章 神经元网络前景提取算法在视频前景提取中的应用 | 第61-69页 |
| 6.1 现状与挑战 | 第61-62页 |
| 6.2 神经元网络前景提取算法的优势 | 第62页 |
| 6.3 实时视频前景提取流程 | 第62-68页 |
| 6.3.1 预处理阶段 | 第63-66页 |
| 6.3.2 训练阶段 | 第66页 |
| 6.3.3 正式阶段 | 第66-68页 |
| 6.4 小结 | 第68-69页 |
| 第七章 总结和展望 | 第69-71页 |
| 参考文献 | 第71-73页 |
| 论文发表情况 | 第73-74页 |
| 致谢 | 第74-75页 |
