| 中文摘要 | 第8-10页 |
| Abstract | 第10-12页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景与意义 | 第13页 |
| 1.2 图像分割研究现状及进展 | 第13-21页 |
| 1.2.1 传统图像分割模型和方法 | 第15-17页 |
| 1.2.2 结合新理论的图像分割方法 | 第17-20页 |
| 1.2.3 图像分割中存在的若干问题 | 第20-21页 |
| 1.3 视觉显著性在图像分割中的应用 | 第21-22页 |
| 1.4 本文的主要研究内容和组织结构 | 第22-25页 |
| 第二章 背景知识介绍 | 第25-33页 |
| 2.1 几何活动轮廓模型 | 第25-26页 |
| 2.2 SVM分类器原理 | 第26-28页 |
| 2.3 视觉显著性检测模型和方法 | 第28-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于显著性的活动轮廓模型图像分割方法 | 第33-55页 |
| 3.1 几何活动轮廓模型图像分割 | 第33-36页 |
| 3.1.1 Mumford-Shah模型和Chan-Vese模型 | 第33-34页 |
| 3.1.2 Chan-Vese模型图像分割 | 第34-36页 |
| 3.2 基于显著性的活动轮廓模型 | 第36-42页 |
| 3.2.1 自适应的初始轮廓提取方法 | 第36-37页 |
| 3.2.2 基于显著性的活动轮廓模型ACV和SACM | 第37-39页 |
| 3.2.3 基于显著性的水平集方法求解 | 第39-42页 |
| 3.3 实验结果及分析 | 第42-53页 |
| 3.3.1 ACV模型实验结果及分析 | 第42-46页 |
| 3.3.2 SACM实验结果及分析 | 第46-49页 |
| 3.3.3 皮肤镜图像病灶分割实验 | 第49-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 基于显著性的SVM图像分割方法 | 第55-71页 |
| 4.1 SVM图像分割 | 第55-56页 |
| 4.2 基于显著性的SVM图像分割方法 | 第56-61页 |
| 4.2.1 基于显著性检测的“三元图” | 第56-57页 |
| 4.2.2 SVM训练样本集的生成 | 第57-60页 |
| 4.2.3 SVM分类器的训练与图像分割 | 第60-61页 |
| 4.3 实验结果及分析 | 第61-69页 |
| 4.3.1 与其它基于SVM的分割方法的比较 | 第63-65页 |
| 4.3.2 与二值分割方法的比较 | 第65页 |
| 4.3.3 与其它自动图像分割方法的比较 | 第65-67页 |
| 4.3.4 其它方面的实验分析 | 第67-69页 |
| 4.4 本章小结 | 第69-71页 |
| 第五章 基于显著性和超像素的SVM图像分割方法 | 第71-81页 |
| 5.1 超像素的生成算法 | 第71-74页 |
| 5.1.1 基于图的超像素生成算法 | 第72-73页 |
| 5.1.2 基于梯度上升的超像素生成算法 | 第73-74页 |
| 5.2 基于显著性和超像素的SVM图像分割方法 | 第74-77页 |
| 5.2.1 算法描述 | 第75-76页 |
| 5.2.2 超像素的特征向量描述 | 第76-77页 |
| 5.3 实验结果及分析 | 第77-79页 |
| 5.4 本章小结 | 第79-81页 |
| 第六章 集成的图像分割系统的设计与实现 | 第81-89页 |
| 6.1 系统介绍 | 第81页 |
| 6.2 系统功能 | 第81-88页 |
| 6.2.1 实验图像数据库 | 第82-85页 |
| 6.2.2 图像分割方法 | 第85-86页 |
| 6.2.3 分割性能评价 | 第86-88页 |
| 6.3 本章小结 | 第88-89页 |
| 第七章 结论与展望 | 第89-91页 |
| 参考文献 | 第91-109页 |
| 发表论文 | 第109-111页 |
| 计算机软件著作权 | 第111-113页 |
| 申请专利 | 第113-115页 |
| 攻读博士学位期间参与的科研项目 | 第115-117页 |
| 致谢 | 第117-119页 |
| 个人简介及联系方式 | 第119-123页 |