| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 研究背景和意义 | 第12页 |
| 1.2 显著性检测算法的研究现状 | 第12-18页 |
| 1.2.1 单幅图像显著性检测算法的研究现状 | 第13-16页 |
| 1.2.2 协同显著性检测算法的研究现状 | 第16-18页 |
| 1.3 显著性检测算法常用的特征 | 第18-20页 |
| 1.3.1 颜色特征 | 第18-19页 |
| 1.3.2 位置特征及中心优先原则 | 第19-20页 |
| 1.3.3 纹理特征 | 第20页 |
| 1.3.4 尺度特征 | 第20页 |
| 1.4 本文的主要研究内容 | 第20-21页 |
| 1.5 本文内容组织结构 | 第21-23页 |
| 第2章 压缩感知理论及其应用 | 第23-29页 |
| 2.1 压缩感知的基本理论 | 第23-26页 |
| 2.1.1 信号的稀疏表示 | 第24页 |
| 2.1.2 测量矩阵 | 第24-25页 |
| 2.1.3 信号重构算法 | 第25-26页 |
| 2.2 压缩感知理论的应用 | 第26-27页 |
| 2.3 从压缩感知到低秩矩阵分解 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于压缩感知的显著性检测算法 | 第29-38页 |
| 3.1 超像素分割 | 第29-31页 |
| 3.2 基于压缩感知的显著性检测算法 | 第31-34页 |
| 3.2.1 稀疏特征的提取 | 第31-32页 |
| 3.2.2 基于秩稀疏性的显著性计算 | 第32-33页 |
| 3.2.3 多尺度的融合 | 第33页 |
| 3.2.4 以显著目标为中心的高斯平滑 | 第33-34页 |
| 3.3 实验结果与分析 | 第34-37页 |
| 3.3.1 实验结果的主观评价 | 第34页 |
| 3.3.2 实验结果的客观评价 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于加权低秩分解的协同显著性检测算法 | 第38-49页 |
| 4.1 协同显著性检测的整体模型 | 第38-39页 |
| 4.2 超像素分割及显著区域的选择 | 第39页 |
| 4.2.1 超像素分割 | 第39页 |
| 4.2.2 显著区域的选择及聚类 | 第39页 |
| 4.3 协同特征的提取 | 第39-41页 |
| 4.3.1 协同对比度 | 第39-40页 |
| 4.3.2 协同增量系数 | 第40页 |
| 4.3.3 协同特征 | 第40-41页 |
| 4.4 基于协同特征的加权低秩分解 | 第41-42页 |
| 4.5 协同显著图的获得 | 第42-43页 |
| 4.6 实验结果与分析 | 第43-46页 |
| 4.6.1 参数h、K对算法的影响及算法中间结果ROC曲线对比 | 第43-44页 |
| 4.6.2 实验结果的主观评价 | 第44页 |
| 4.6.3 实验结果的客观评价 | 第44-46页 |
| 4.7 协同显著性检测模型对传统单幅显著性检测的改善 | 第46-48页 |
| 4.8 本章小结 | 第48-49页 |
| 第5章 基于稀疏表示的增量系数在人脸识别中的应用 | 第49-59页 |
| 5.1 人脸识别技术简介 | 第49-50页 |
| 5.2 经典的基于稀疏表示的人脸识别(SRC)简介 | 第50-51页 |
| 5.3 基于稀疏表示增量系数的人脸识别 | 第51-54页 |
| 5.3.1 基于稀疏表示增量系数的人脸识别模型 | 第51-52页 |
| 5.3.2 对所提人脸识别模型的分析 | 第52-54页 |
| 5.4 实验结果与分析 | 第54-57页 |
| 5.4.1 ORL人脸数据库上实验结果及分析 | 第54-55页 |
| 5.4.2 AR人脸数据实验结果及分析 | 第55-56页 |
| 5.4.3 本文所提算法的鲁棒性 | 第56-57页 |
| 5.5 本章小结 | 第57-59页 |
| 第6章 结论与展望 | 第59-62页 |
| 6.1 结论 | 第59-60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第70页 |
