| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文主要工作和创新点 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 显著性检测及区域轮廓提取 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 图像显著性基础知识 | 第17-20页 |
| 2.2.1 显著性的概念 | 第17-18页 |
| 2.2.2 显著性检测的经典方法介绍 | 第18-20页 |
| 2.3 超像素理论基础 | 第20-24页 |
| 2.3.1 超像素的概念 | 第20-21页 |
| 2.3.2 超像素聚类方法SLIC | 第21-22页 |
| 2.3.3 超像素聚类方法H-SLIC | 第22-23页 |
| 2.3.4 基于H-SLIC的显著性检测方法SC | 第23-24页 |
| 2.4 显著性检测的其他方法介绍 | 第24-30页 |
| 2.4.1 动态区域合并算法 | 第24-25页 |
| 2.4.2 基于能量的图割方法 | 第25-26页 |
| 2.4.3 基于鲁棒的背景检测的显著性优化方法 | 第26-30页 |
| 2.5 小结 | 第30-31页 |
| 第3章 基于超像素划分的图像显著性区域轮廓提取算法 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 算法基本思想 | 第31页 |
| 3.3 算法主要步骤 | 第31-34页 |
| 3.3.1 H-SLIC超像素分割图像 | 第32页 |
| 3.3.2 过分割区域动态合并 | 第32-34页 |
| 3.4 核心算法描述 | 第34-36页 |
| 3.5 实验结果 | 第36-37页 |
| 3.6 小结 | 第37-39页 |
| 第4章 鲁棒的图像显著性区域轮廓自动提取算法 | 第39-46页 |
| 4.1 引言 | 第39页 |
| 4.2 算法基本思想 | 第39-40页 |
| 4.3 算法主要步骤 | 第40-42页 |
| 4.3.1 计算超像素的边界连通性值 | 第40-41页 |
| 4.3.2 显著性区域自动分割 | 第41-42页 |
| 4.4 核心算法描述 | 第42-43页 |
| 4.5 实验结果 | 第43-45页 |
| 4.6 小结 | 第45-46页 |
| 第5章 显著性检测算法在医学可视化系统中的应用 | 第46-57页 |
| 5.1 引言 | 第46页 |
| 5.2 可视化系统介绍 | 第46-48页 |
| 5.3 人体轮廓提取模块分析与测试 | 第48-51页 |
| 5.4 人体轮廓提取模块设计与实现 | 第51-55页 |
| 5.5 基于轮廓提取的三维模型重建 | 第55-56页 |
| 5.6 小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文目录 | 第63-64页 |
| 攻读学位期间参与科研项目情况 | 第64-65页 |
| 学位论文评阅及答辩情况表 | 第65页 |