| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-17页 |
| ·研究背景与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-15页 |
| ·图像分割的定义 | 第11-12页 |
| ·图像分割的主要方法及其理论 | 第12-14页 |
| ·基于图割理论的图像分割算法及其改进 | 第14-15页 |
| ·本文的主要工作及创新点 | 第15页 |
| ·本文的组织结构 | 第15-17页 |
| 第二章 研究基础 | 第17-29页 |
| ·数学基础 | 第17-22页 |
| ·图论 | 第17-18页 |
| ·割和流 | 第18-19页 |
| ·最大流/最小割定理 | 第19-20页 |
| ·图割理论在图像分割中的运用 | 第20-22页 |
| ·三种图割方法 | 第22-23页 |
| ·Graph Cuts | 第22页 |
| ·GCBAC | 第22页 |
| ·GrabCut | 第22-23页 |
| ·颜色特征空间 | 第23-28页 |
| ·颜色视觉 | 第23-24页 |
| ·RGB颜色空间 | 第24-25页 |
| ·HSV颜色空间 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于Graph Cuts的图像分割算法实现与评估 | 第29-39页 |
| ·基于Graph Cuts的图像分割算法基本理论 | 第29-31页 |
| ·基于Graph Cuts的图像分割算法设计实现 | 第31-37页 |
| ·图像分割的形式化定义 | 第31页 |
| ·视觉信息的整合 | 第31-32页 |
| ·设置能量函数 | 第32-34页 |
| ·构造s-t网络并实现最大流/最小割算法 | 第34-36页 |
| ·改进的前/背景概率模型 | 第36页 |
| ·算法流程 | 第36-37页 |
| ·实验结果和分析 | 第37页 |
| ·本章小结 | 第37-39页 |
| 第四章 基于改进的GrabCut服装前景提取算法设计实现 | 第39-57页 |
| ·服装图像分割的定义 | 第39-40页 |
| ·传统的GrabCut算法描述 | 第40-44页 |
| ·颜色数据模型 | 第40-41页 |
| ·迭代能量最小化分割 | 第41-43页 |
| ·用户交互和不完全标记 | 第43-44页 |
| ·初始分割区域的自动产生方法及确定 | 第44-46页 |
| ·固定比例和位置地确定初始分割区域 | 第44-45页 |
| ·基于区域生长算法地确定初始分割区域 | 第45-46页 |
| ·基于改进的GrabCut服装图像前景提取算法设计实现 | 第46-49页 |
| ·图像数据选取 | 第46-47页 |
| ·确定初始分割区域 | 第47-48页 |
| ·算法主要步骤 | 第48-49页 |
| ·算法特点 | 第49页 |
| ·分割效果评价方法 | 第49-50页 |
| ·实验结果和分析 | 第50-55页 |
| ·不同算法图像分割结果 | 第50-54页 |
| ·结果分析 | 第54-55页 |
| ·本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| ·工作总结 | 第57-58页 |
| ·工作展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 攻读硕士学位期间取得的学术成果 | 第65-67页 |
| 致谢 | 第67页 |
