| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景与意义 | 第10-12页 |
| 1.2 基于知觉理论的计算机图像识别研究的国内外研究历史与现状 | 第12-15页 |
| 1.3 本文的主要贡献与创新 | 第15页 |
| 1.4 本论文的结构安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 认知与图像识别 | 第17-28页 |
| 2.1 视知觉理论 | 第17-20页 |
| 2.1.1 格式塔理论 | 第17-18页 |
| 2.1.2 拓扑知觉理论 | 第18-20页 |
| 2.2 知觉组织方法 | 第20-22页 |
| 2.2.1 无监督的知觉组织方法 | 第20-21页 |
| 2.2.2 基于主动轮廓的知觉组织方法 | 第21-22页 |
| 2.3 深度学习神经网络 | 第22-27页 |
| 2.3.1 认知生物学与深度学习 | 第23-24页 |
| 2.3.2 卷积神经网络（CNN） | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 主体轮廓提取算法研究 | 第28-52页 |
| 3.1 人脑结构和知觉过程 | 第28-34页 |
| 3.1.1 人脑结构与认知功能 | 第28-29页 |
| 3.1.2 人脑结构与视知觉 | 第29-30页 |
| 3.1.3 视觉认知能力 | 第30-32页 |
| 3.1.4“分割”物体与背景 | 第32-34页 |
| 3.2 主体轮廓提取算法的提出 | 第34-35页 |
| 3.3 基于区域的形状表示与描述 | 第35-39页 |
| 3.3.1 区域标识 | 第35-37页 |
| 3.3.2 区域的拓扑性质 | 第37-39页 |
| 3.4 高斯滤波 | 第39-40页 |
| 3.5 HSV颜色空间模型 | 第40-43页 |
| 3.6 主体轮廓提取算法模型 | 第43-51页 |
| 3.6.1 预处理及锐化 | 第43-45页 |
| 3.6.2 区域划分 | 第45-48页 |
| 3.6.3 区域归并 | 第48-49页 |
| 3.6.4 主体轮廓提取 | 第49-51页 |
| 3.7 本章小结 | 第51-52页 |
| 第四章 测试与结果分析 | 第52-69页 |
| 4.1 测试环境与评价指标 | 第52-53页 |
| 4.1.1 测试环境 | 第52页 |
| 4.1.2 评价指标 | 第52-53页 |
| 4.2 主体区域提取的测试 | 第53-55页 |
| 4.2.1 主体区域提取对比 | 第54-55页 |
| 4.3 主体轮廓提取算法在猫狗照片分类中的应用 | 第55-68页 |
| 4.3.1 AlexNet深度学习模型 | 第55-56页 |
| 4.3.2 训练模型与数据集 | 第56-59页 |
| 4.3.3 小数据集测试结果 | 第59-64页 |
| 4.3.4 大数据集测试结果 | 第64-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 全文总结与展望 | 第69-71页 |
| 5.1 全文总结 | 第69-70页 |
| 5.2 后续工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |