视觉感知特性指导下的自然图像抠图算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第11-14页 |
| 1 绪论 | 第14-28页 |
| 1.1 问题描述 | 第15-21页 |
| 1.2 研究意义 | 第21-23页 |
| 1.3 研究现状 | 第23-25页 |
| 1.3.1 单一背景的图像抠图技术(蓝屏抠图) | 第23-25页 |
| 1.3.2 自然图像抠图技术 | 第25页 |
| 1.4 本文的研究内容 | 第25-27页 |
| 1.5 本文的章节安排 | 第27页 |
| 1.6 小结 | 第27-28页 |
| 2 自然图像抠图算法综述 | 第28-44页 |
| 2.1 用户交互方式 | 第28-31页 |
| 2.1.1 三分图 | 第29-30页 |
| 2.1.2 指定线条作为先验 | 第30-31页 |
| 2.2 常见抠图算法 | 第31-43页 |
| 2.2.1 基于颜色采样的抠图算法 | 第31-37页 |
| 2.2.2 基于信任传播的抠图算法 | 第37-43页 |
| 2.3 小结 | 第43-44页 |
| 3 基于视觉注意机制的图像抠图算法 | 第44-66页 |
| 3.1 引言 | 第44-45页 |
| 3.2 相关工作 | 第45-53页 |
| 3.2.1 常见抠图算法的交互方式 | 第45-47页 |
| 3.2.2 视觉注意模型 | 第47-51页 |
| 3.2.3 基于视觉感知特性的抠图算法 | 第51-53页 |
| 3.3 基于视觉注意模型的抠图算法 | 第53-61页 |
| 3.3.1 视觉注意控制模块 | 第53-60页 |
| 3.3.2 抠图模块 | 第60-61页 |
| 3.4 实验结果与分析 | 第61-65页 |
| 3.5 本章小结 | 第65-66页 |
| 4 结合三分图修正的改进贝叶斯抠图算法 | 第66-90页 |
| 4.1 引言 | 第66-68页 |
| 4.2 相关工作 | 第68-72页 |
| 4.3 结合三分图修正的改进贝叶斯抠图算法 | 第72-82页 |
| 4.3.1 三分图修正算法 | 第74-76页 |
| 4.3.2 改进的贝叶斯抠图算法 | 第76-82页 |
| 4.4 实验结果与分析 | 第82-88页 |
| 4.4.1 定性比较 | 第82-87页 |
| 4.4.2 定量比较 | 第87-88页 |
| 4.5 结论 | 第88-90页 |
| 5 基于视觉显著性信息的鲁棒抠图算法 | 第90-108页 |
| 5.1 引言 | 第90-91页 |
| 5.2 相关工作 | 第91-95页 |
| 5.2.1 最近邻采样法 | 第91-94页 |
| 5.2.2 优化采样法 | 第94-95页 |
| 5.3 显著信息计算方法 | 第95-97页 |
| 5.4 基于显著信息采样的鲁棒抠图算法 | 第97-103页 |
| 5.4.1 选择候选样本点 | 第98-99页 |
| 5.4.2 选择待用样本 | 第99-101页 |
| 5.4.3 透明度值估计方法 | 第101-103页 |
| 5.5 实验结果与分析 | 第103-107页 |
| 5.5.1 定性比较 | 第104-105页 |
| 5.5.2 定量比较 | 第105-107页 |
| 5.6 小结 | 第107-108页 |
| 6 基于图像结构特征的局部修正抠图算法 | 第108-124页 |
| 6.1 引言 | 第108-109页 |
| 6.2 相关工作 | 第109-112页 |
| 6.3 基于半监督学习的透明度值估计方法 | 第112-120页 |
| 6.3.1 透明度值估计方法 | 第114-115页 |
| 6.3.2 局部学习算法 | 第115-120页 |
| 6.4 实验 | 第120-122页 |
| 6.5 小结 | 第122-124页 |
| 7 总结与展望 | 第124-126页 |
| 7.1 全文工作总结 | 第124-125页 |
| 7.2 进一步研究设想 | 第125-126页 |
| 参考文献 | 第126-134页 |
| 作者简历 | 第134-138页 |
| 学位论文数据集 | 第138页 |
