基于Grab Cut的图像自动分割算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 图像分割方法分类与研究现状 | 第11-16页 |
| 1.2.1 基于图像的信息分类 | 第11-12页 |
| 1.2.2 基于算法自动化程度的分类 | 第12-13页 |
| 1.2.3 基于采用策略以及理论技术的分类 | 第13-16页 |
| 1.3 文章结构安排 | 第16-17页 |
| 2 GrabCut理论基础 | 第17-26页 |
| 2.1 GRAPHCUTS算法原理 | 第17-20页 |
| 2.1.1 能量函数的建立 | 第17-19页 |
| 2.1.2 网络加权图的构造 | 第19页 |
| 2.1.3 最大流最小割方法 | 第19-20页 |
| 2.2 GRABCUT算法原理 | 第20-22页 |
| 2.2.1 高斯混合模型GMM | 第21页 |
| 2.2.2 具体的迭代求解过程 | 第21-22页 |
| 2.3 GRABCUT实际分割效果 | 第22-23页 |
| 2.4 GRABCUT算法的研究现状 | 第23-26页 |
| 3 图像显著性检测方法的研究及改进 | 第26-32页 |
| 3.1 常用的显著性检测方法介绍 | 第26-28页 |
| 3.2 改进的显著性检测算法 | 第28-30页 |
| 3.3 实验结果 | 第30-32页 |
| 4 改进GrabCut算法 | 第32-42页 |
| 4.1 实现自动分割 | 第32-33页 |
| 4.2 数据惩罚项的改进 | 第33-34页 |
| 4.3 光滑惩罚项的改进 | 第34-36页 |
| 4.4 改进算法的总流程 | 第36-38页 |
| 4.5 实验结果与分析 | 第38-42页 |
| 5 结论 | 第42-44页 |
| 5.1 本文研究总结 | 第42页 |
| 5.2 未来研究展望 | 第42-44页 |
| 参考文献 | 第44-47页 |
| 作者攻读学位期间取得的研究成果 | 第47页 |
