基于拉普拉斯塔式分解的显著性检测
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 显著性检测研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 文献综述 | 第11-15页 |
| 1.2.1 基于底层视觉的显著性检测方法 | 第12-15页 |
| 1.2.2 基于高层视觉的显著性检测算法 | 第15页 |
| 1.2.3 总体评价 | 第15页 |
| 1.3 研究方法与技术路线 | 第15-16页 |
| 1.4 研究内容与结构安排 | 第16-17页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 结构安排 | 第17页 |
| 1.5 创新点 | 第17-19页 |
| 第2章 基于超像素的图像显著性检测算法 | 第19-31页 |
| 2.1 基于超像素的图像分割 | 第19-21页 |
| 2.2 颜色特征提取 | 第21-22页 |
| 2.3 亮度特征提取 | 第22页 |
| 2.4 纹理特征提取 | 第22-26页 |
| 2.5 本文算法 | 第26-30页 |
| 2.5.1 超像素分割 | 第26-27页 |
| 2.5.2 彩色共生矩阵 | 第27-28页 |
| 2.5.3 特征提取 | 第28-29页 |
| 2.5.4 显著性值计算 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于拉普拉斯塔式分解的显著性检测算法 | 第31-46页 |
| 3.1 图像融合技术 | 第32-36页 |
| 3.1.1 图像融合的发展及意义 | 第33-34页 |
| 3.1.2 图像融合的分类 | 第34页 |
| 3.1.3 图像融合的多尺度变换工具 | 第34-36页 |
| 3.2 本文算法 | 第36-39页 |
| 3.2.1 对待测图像进行高斯金字塔分解 | 第37-38页 |
| 3.2.2 产生待测图像的拉普拉斯塔式模型 | 第38页 |
| 3.2.3 融合得到显著性特征值 | 第38-39页 |
| 3.3 实验结果与分析 | 第39-45页 |
| 3.3.1 可视化结果分析 | 第41-42页 |
| 3.3.2 量化结果分析 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 结论 | 第46-48页 |
| 4.1 本文总结 | 第46-47页 |
| 4.2 未来展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 攻读学位期间取得的学术成果 | 第52-53页 |
| 致谢 | 第53页 |
