多图像关联性挖掘及其应用技术研究
摘要 | 第4-6页 |
Abstract | 第6-8页 |
第一章 绪论 | 第15-35页 |
1.1 研究背景及意义 | 第15-16页 |
1.2 相关工作研究现状 | 第16-32页 |
1.2.1 图像识别及其研究现状 | 第16-18页 |
1.2.2 共同视觉模式发现及其研究现状 | 第18-20页 |
1.2.3 多图像前背景分割及其研究现状 | 第20-23页 |
1.2.4 多图像抠图及其研究现状 | 第23-32页 |
1.3 本文工作及内容安排 | 第32-35页 |
1.3.1 本文工作 | 第32-33页 |
1.3.2 内容安排 | 第33-35页 |
第二章 强化特征关联的图像识别 | 第35-49页 |
2.1 算法概述 | 第35页 |
2.2 图像局部特征提取 | 第35-37页 |
2.3 局部特征的匹配和优化 | 第37-43页 |
2.3.1 特征点集的初步匹配 | 第37-38页 |
2.3.2 基于随机采样一致性算法的匹配优化 | 第38-41页 |
2.3.3 多图像局部特征匹配和括充 | 第41-43页 |
2.4 约束强化的特征聚类 | 第43-44页 |
2.5 实验结果及分析 | 第44-47页 |
2.6 本章小结 | 第47-49页 |
第三章 基于非线性均值漂移的共同视觉模式发现 | 第49-78页 |
3.1 算法思路 | 第49-52页 |
3.2 相关知识 | 第52-57页 |
3.2.1 均值漂移聚类算法 | 第52-54页 |
3.2.2 黎曼流形基础 | 第54-55页 |
3.2.3 矩阵李群基础 | 第55-57页 |
3.3 变换空间的构建 | 第57-61页 |
3.3.1 局部特征的提取与初步匹配 | 第57-58页 |
3.3.2 相似变换的计算 | 第58-60页 |
3.3.3 相似空间的构建及其性质 | 第60-61页 |
3.4 非线性均值漂移聚类 | 第61-63页 |
3.5 基于非线性均值漂移的共同视觉模式发现 | 第63-68页 |
3.5.1 均值漂移过程的简化 | 第63-64页 |
3.5.2 度量矩阵H的定义 | 第64-67页 |
3.5.3 共同视觉模式发现算法 | 第67-68页 |
3.6 实验结果与分析 | 第68-76页 |
3.6.1 图像局部特征匹配 | 第69-72页 |
3.6.2 多共同视觉模式发现 | 第72-75页 |
3.6.3 近似复制图像检索 | 第75-76页 |
3.7 本章小结 | 第76-78页 |
第四章 样本驱动的图像集前背景协同分割 | 第78-93页 |
4.1 算法概述 | 第79-80页 |
4.2 基于样本超像素的SVM分类器训练 | 第80-82页 |
4.2.1 样本图像的选取与预分割 | 第81页 |
4.2.2 超像素特征描述的提取 | 第81-82页 |
4.2.3 SVM分类器的构造 | 第82页 |
4.3 目标图像的自动分割 | 第82-84页 |
4.3.1 前景置信度的计算 | 第83页 |
4.3.2 基于图切割的自动分割 | 第83-84页 |
4.4 基于交互的局部优化修复 | 第84-85页 |
4.5 实验结果与分析 | 第85-88页 |
4.6 本章小结 | 第88-93页 |
第五章 基于置信度的多图像协同抠图 | 第93-112页 |
5.1 算法概述 | 第94-97页 |
5.1.1 三分图及初始α图的生成 | 第96-97页 |
5.2 α图置信度的量化 | 第97-102页 |
5.2.1 背景复杂度相关的特征量化 | 第98-100页 |
5.2.2 抠图算法相关特征量化 | 第100-101页 |
5.2.3 置信度学习模型的构造 | 第101-102页 |
5.3 未知区域对应关系的建立 | 第102-105页 |
5.4 协同优化框架的构建 | 第105-106页 |
5.5 实验结果及分析 | 第106-111页 |
5.5.1 抠图置信度模型验证 | 第106-107页 |
5.5.2 协同抠图结果与分析 | 第107-109页 |
5.5.3 运行时间 | 第109-111页 |
5.6 本章小结 | 第111-112页 |
第六章 总结和展望 | 第112-116页 |
6.1 工作总结 | 第112-114页 |
6.2 研究展望 | 第114-116页 |
参考文献 | 第116-130页 |
攻读博士学位期间完成的学术成果 | 第130-132页 |
致谢 | 第132-134页 |