| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 目标识别的研究现状 | 第14-15页 |
| 1.2.2 视觉注意模型研究现状 | 第15-17页 |
| 1.2.3 视觉注意机制的应用现状 | 第17-18页 |
| 1.3 论文的组织结构 | 第18-20页 |
| 第2章 视觉注意机制 | 第20-31页 |
| 2.1 视觉系统的神经生理基础 | 第20-25页 |
| 2.1.1 视细胞感受野生理特性 | 第22-24页 |
| 2.1.2 视觉注意机制生理特性 | 第24-25页 |
| 2.1.3 视觉注意机制与冗余信息 | 第25页 |
| 2.2 生物视觉感知的重要机制 | 第25-26页 |
| 2.3 视觉注意机制模型 | 第26-30页 |
| 2.3.1 数据驱动注意模型简介 | 第27-29页 |
| 2.3.2 任务驱动注意模型简介 | 第29页 |
| 2.3.3 两种模型的比较分析 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 冗余信息的抑制 | 第31-40页 |
| 3.1 冗余信息 | 第31-32页 |
| 3.2 冗余信息抑制方法 | 第32-36页 |
| 3.2.1 图像编码压缩方法 | 第32-35页 |
| 3.2.2 图像适应算法 | 第35页 |
| 3.2.3 基于NL-means算法的冗余信息抑制 | 第35-36页 |
| 3.3 改进的NL-means算法 | 第36-39页 |
| 3.3.1 超像素 | 第36-38页 |
| 3.3.2 超像素的空间特征优化 | 第38-39页 |
| 3.3.3 基于超像素的优化空间特征改进NL-means算法 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于局部空间冗余视觉信息抑制的显著目标估计 | 第40-48页 |
| 4.1 图像的显著目标估计 | 第40-42页 |
| 4.1.1 传统的图像的显著目标估计 | 第40-41页 |
| 4.1.2 本文的图像显著目标估计算法 | 第41-42页 |
| 4.2 基于局部空间冗余视觉信息抑制的显著目标估计 | 第42-47页 |
| 4.2.1 自相似性结构的刻画 | 第42-44页 |
| 4.2.2 基于香农熵的信息度描述 | 第44-45页 |
| 4.2.3 显著图生成 | 第45-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第5章 基于局部空间冗余视觉信息抑制的目标识别算法研究 | 第48-61页 |
| 5.1 经典显著图生成算法 | 第48-53页 |
| 5.1.1 FT算法 | 第48页 |
| 5.1.2 SR算法 | 第48-49页 |
| 5.1.3 Itti算法 | 第49-52页 |
| 5.1.4 GBVS算法 | 第52-53页 |
| 5.2 实验与分析 | 第53-58页 |
| 5.2.1 实验数据库 | 第53-54页 |
| 5.2.2 与NL-means算法模型比较 | 第54页 |
| 5.2.3 与经典方法比较 | 第54-58页 |
| 5.3 目标识别算法的应用 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第68-69页 |
| 致谢 | 第69-70页 |
