| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要工作及创新点 | 第13页 |
| 1.4 论文内容安排 | 第13-15页 |
| 第二章 图像分割及显著性检测方法 | 第15-28页 |
| 2.1 颜色空间理论 | 第15-16页 |
| 2.1.1 RGB颜色空间 | 第15-16页 |
| 2.1.2 CIELAB颜色空间 | 第16页 |
| 2.2 图像分割方法 | 第16-18页 |
| 2.3 视觉显著性检测原理 | 第18-19页 |
| 2.4 典型的显著性检测方法 | 第19-26页 |
| 2.4.1 IT算法 | 第19-22页 |
| 2.4.2 LC算法 | 第22-23页 |
| 2.4.3 AC算法 | 第23-24页 |
| 2.4.4 FT算法 | 第24页 |
| 2.4.5 SR算法 | 第24-25页 |
| 2.4.6 MDF算法 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于深度学习特征和社团划分的图像分割方法 | 第28-37页 |
| 3.1 基于SLIC超像素和深度学习特征的图像分割 | 第28-32页 |
| 3.1.1 多尺度特征提取 | 第29-30页 |
| 3.1.2 社团划分 | 第30-31页 |
| 3.1.3 算法流程 | 第31-32页 |
| 3.2 实验结果与分析 | 第32-36页 |
| 3.2.1 实验数据与评价准则 | 第32页 |
| 3.2.2 算法分割结果 | 第32-33页 |
| 3.2.3 与其它分割算法对比分析 | 第33-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于深度学习和图割融合的图像显著性检测方法 | 第37-48页 |
| 4.1 基于全卷积神经网络和图割的显著性检测 | 第37-42页 |
| 4.1.1 改进深度学习VGG模型 | 第38-40页 |
| 4.1.2 图割显著性检测模型 | 第40-42页 |
| 4.1.3 深度显著图和图割显著图融合 | 第42页 |
| 4.2 实验结果与分析 | 第42-46页 |
| 4.2.1 实验数据与评价准则 | 第42-44页 |
| 4.2.2 与其它显著性检测算法对比分析 | 第44-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第五章 图像检测系统设计与实现 | 第48-55页 |
| 5.1 系统架构及模块 | 第48-49页 |
| 5.2 系统功能与实现 | 第49-54页 |
| 5.2.1 图像分割模块的设计与实现 | 第49-51页 |
| 5.2.2 显著性检测模块的设计与实现 | 第51-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55-56页 |
| 6.2 研究展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 在读期间研究成果及所获奖项 | 第63页 |