基于显著性检测的归一化分割
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1. 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 基于直方图阈值的分割方法 | 第9-10页 |
| 1.2.2 基于边缘的分割方法 | 第10页 |
| 1.2.3 基于能量泛函的分割方法 | 第10-11页 |
| 1.2.4 基于卷积神经网络的分割方法 | 第11-12页 |
| 1.2.5 基于特殊理论的分割方法 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 论文结构与章节安排 | 第14-16页 |
| 2. 归一化分割算法分析 | 第16-24页 |
| 2.1 图论相关定义 | 第16-18页 |
| 2.1.1 图的最优化准则 | 第16页 |
| 2.1.2 图的相关定义 | 第16-18页 |
| 2.2 归一化分割准则 | 第18-21页 |
| 2.3 归一化算法的分析 | 第21-23页 |
| 2.4 本章分析 | 第23-24页 |
| 3. 显著性检测 | 第24-31页 |
| 3.1 图像显著性 | 第24-25页 |
| 3.2 显著性检测的准则 | 第25-28页 |
| 3.2.1 视觉对比度原则 | 第25-26页 |
| 3.2.2 全局特征 | 第26-27页 |
| 3.2.3 视觉组织原则 | 第27页 |
| 3.2.4 人脸特征 | 第27-28页 |
| 3.3 显著性的定义 | 第28-29页 |
| 3.4 显著性分析 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 4. 基于显著性检测的归一化分割 | 第31-47页 |
| 4.1 简单线性迭代聚类 | 第31-33页 |
| 4.2 实验准备 | 第33页 |
| 4.2.1 实验硬件环境 | 第33页 |
| 4.2.2 实验编程工具和数据集 | 第33页 |
| 4.3 权值重构 | 第33-34页 |
| 4.4 算法实现流程 | 第34-35页 |
| 4.5 算法时间性能 | 第35-37页 |
| 4.6 算法准确度性能 | 第37-39页 |
| 4.7 结果分析 | 第39-47页 |
| 4.7.1 基于灰度信息分割的实验分析 | 第39-41页 |
| 4.7.2 基于彩色信息分割的实验分析 | 第41-47页 |
| 5. 实验总结与展望 | 第47-50页 |
| 5.1 论文创新点 | 第47页 |
| 5.2 论文主要工作总结 | 第47-48页 |
| 5.3 研究展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
