| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 图像显著性检测的研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 主要研究内容及各章节安排 | 第17-21页 |
| 第二章 显著性检测基本理论 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 视觉注意机制 | 第21-23页 |
| 2.3 自底向上的显著性检测模型 | 第23-29页 |
| 2.3.1 ITTI算法 | 第23-25页 |
| 2.3.2 SR算法 | 第25-26页 |
| 2.3.3 FT算法 | 第26-27页 |
| 2.3.4 HC算法 | 第27-29页 |
| 2.4 自顶向下的显著性检测模型 | 第29-30页 |
| 2.4.1 SUN算法 | 第29页 |
| 2.4.2 基于CRF和字典学习的检测算法 | 第29-30页 |
| 2.5 实验评价指标 | 第30-35页 |
| 2.5.1 主观评价 | 第31页 |
| 2.5.2 客观评价方法 | 第31-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第三章 基于直方图对比度与引导滤波的显著性检测算法 | 第37-55页 |
| 3.1 引言 | 第37-38页 |
| 3.2 相关理论背景 | 第38-40页 |
| 3.2.1 引导滤波 | 第38-40页 |
| 3.3 基于直方图对比度与引导滤波的显著性检测算法 | 第40-47页 |
| 3.3.1 算法框架 | 第40-42页 |
| 3.3.2 提取目标边缘 | 第42-44页 |
| 3.3.3 产生初始显著图 | 第44-46页 |
| 3.3.4 基于区域能量融合显著图 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-52页 |
| 3.5 本章小结 | 第52-55页 |
| 第四章 基于背景先验的显著性优化算法 | 第55-71页 |
| 4.1 引言 | 第55-56页 |
| 4.2 相关理论背景 | 第56-59页 |
| 4.2.1 卷积神经网络（CNN） | 第56-58页 |
| 4.2.2 SLIC超像素分割 | 第58-59页 |
| 4.3 基于背景先验的显著性优化算法 | 第59-65页 |
| 4.3.1 算法框架 | 第59-60页 |
| 4.3.2 CNN特征提取的显著性优化 | 第60-62页 |
| 4.3.3 背景先验的显著性检测 | 第62-64页 |
| 4.3.4 初始显著图融合 | 第64-65页 |
| 4.4 实验结果与分析 | 第65-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 研究工作总结 | 第71-72页 |
| 5.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |