| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-22页 |
| ·引言 | 第9页 |
| ·研究背景与意义 | 第9-14页 |
| ·国内外研究现状 | 第14-20页 |
| ·深度恢复的研究 | 第16-18页 |
| ·SSVM 的研究 | 第18-20页 |
| ·本文研究内容与结构安排 | 第20-22页 |
| 第二章 基于 SSVM 的场景深度信息恢复 | 第22-40页 |
| ·引言 | 第22-23页 |
| ·SVM 基础理论研究 | 第23-33页 |
| ·统计学习理论 | 第23-25页 |
| ·支持向量机基础 | 第25-33页 |
| ·SSVM 理论框架研究 | 第33-35页 |
| ·基于 SSVM 建立场景深度信息恢复模型 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 最优化算法与图像特征的研究 | 第40-66页 |
| ·引言 | 第40页 |
| ·基于α-expansion 的最优化算法研究 | 第40-50页 |
| ·α-expansion 的图的构造 | 第42-43页 |
| ·α-expansion 的原理 | 第43-47页 |
| ·子模块化条件的构建 | 第47-50页 |
| ·图像特征研究 | 第50-61页 |
| ·RGB 与 YCbCr 颜色特征 | 第50-54页 |
| ·灰度共生矩阵与 Laws 纹理特征 | 第54-60页 |
| ·基于 Prewitt 的边缘特征 | 第60-61页 |
| ·实验结果与分析 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 第四章 基于 slack rescaling 的 SSVM 研究 | 第66-74页 |
| ·引言 | 第66页 |
| ·slack rescaling 的提出 | 第66-68页 |
| ·slack rescaling 的优化 | 第68-71页 |
| ·λ的范围的确立 | 第69-70页 |
| ·黄金查找算法 | 第70-71页 |
| ·实验结果与分析 | 第71-73页 |
| ·本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| ·总结 | 第74页 |
| ·展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读学位期间参加的科研项目和成果 | 第81页 |