| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 图像平滑研究现状 | 第13-15页 |
| 1.2.2 图像轮廓提取研究现状 | 第15-16页 |
| 1.2.3 基于轮廓的目标检测算法研究现状 | 第16-18页 |
| 1.3 本文主要研究内容及创新 | 第18-22页 |
| 1.3.1 主要研究内容 | 第18-20页 |
| 1.3.2 主要创新点 | 第20-22页 |
| 第二章 基于尺度关注滤波和梯度稀疏约束的图像平滑算法研究 | 第22-38页 |
| 2.1 引言 | 第22-23页 |
| 2.2 尺度关注引导图像提取 | 第23-26页 |
| 2.2.1 基于DTF和BLF的循环引导滤波 | 第23-25页 |
| 2.2.2 实验结果分析 | 第25-26页 |
| 2.3 图像强度梯度稀疏约束平滑 | 第26-32页 |
| 2.3.1 稀疏模型构建 | 第26-28页 |
| 2.3.2 交替变量分裂化求解模型 | 第28-32页 |
| 2.4 实验与分析 | 第32-36页 |
| 2.4.1 实验参数影响分析 | 第32-33页 |
| 2.4.2 算法复杂度对比分析 | 第33页 |
| 2.4.3 平滑效果对比分析 | 第33-35页 |
| 2.4.4 图像结构保留的去噪效果对比分析 | 第35-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第三章 图像显著性轮廓提取算法研究 | 第38-57页 |
| 3.1 引言 | 第38-39页 |
| 3.2 传统的边缘检测算法 | 第39-44页 |
| 3.2.1 基于微分算子的边缘检测算法 | 第39-41页 |
| 3.2.2 基于Canny算子的边缘检测算法 | 第41-43页 |
| 3.2.3 实验结果对比 | 第43-44页 |
| 3.3 基于多特征学习的轮廓检测算法 | 第44-51页 |
| 3.3.1 概率边界轮廓检测算法 | 第44-47页 |
| 3.3.2 全局概率边界轮廓检测算法 | 第47-48页 |
| 3.3.3 实验结果对比 | 第48-51页 |
| 3.4 图像显著性轮廓提取方法研究 | 第51-56页 |
| 3.4.1 图像平滑结合传统边缘检测方法研究及实验分析 | 第51-54页 |
| 3.4.2 基于多特征的自适应轮廓提取方法研究及实验分析 | 第54-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 基于精炼扇形模型与显著轮廓特征的目标检测算法 | 第57-72页 |
| 4.1 引言 | 第57-58页 |
| 4.2 精炼扇形模型研究 | 第58-62页 |
| 4.2.1 稳定目标轮廓点检测 | 第58-61页 |
| 4.2.2 模型训练 | 第61-62页 |
| 4.3 显著轮廓特征匹配及目标定位 | 第62-65页 |
| 4.3.1 显著轮廓特征匹配 | 第62-64页 |
| 4.3.2 轮廓特征匹配度量 | 第64页 |
| 4.3.3 目标定位结果优化 | 第64-65页 |
| 4.4 实验与分析 | 第65-70页 |
| 4.4.1 标准库检测结果及分析 | 第65-69页 |
| 4.4.2 多个标准库交叉实验结果及分析 | 第69-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 研究展望 | 第73-74页 |
| 参考文献 | 第74-81页 |
| 攻读硕士学位期间取得的科研成果 | 第81-82页 |
| 致谢 | 第82-84页 |
