基于视觉注意机制的图像分割算法研究及其应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 图像分割研究现状 | 第12-15页 |
| 1.2.1 基于阈值的分割方法 | 第13页 |
| 1.2.2 基于聚类的分割方法 | 第13页 |
| 1.2.3 基于边缘的分割方法 | 第13-14页 |
| 1.2.4 基于活动轮廓的分割方法 | 第14页 |
| 1.2.5 基于图论的分割方法 | 第14-15页 |
| 1.3 视觉注意机制研究现状 | 第15-16页 |
| 1.4 图像识别研究现状 | 第16页 |
| 1.5 红外仿真研究现状 | 第16-17页 |
| 1.6 本文的研究工作及内容安排 | 第17-19页 |
| 2 相关理论基础 | 第19-29页 |
| 2.1 视觉注意机制 | 第19-22页 |
| 2.1.1 视觉注意机制的理论思想 | 第19-20页 |
| 2.1.2 Itti模型 | 第20-21页 |
| 2.1.3 获得不同尺度与通道的特征表示 | 第21页 |
| 2.1.4 获得各通道上的特征显著图 | 第21-22页 |
| 2.1.5 将特征显著图归一化合成最终的显著图 | 第22页 |
| 2.2 卷积神经网络 | 第22-25页 |
| 2.2.1 卷积神经网络结构 | 第22-23页 |
| 2.2.2 卷积神经网络的训练 | 第23-25页 |
| 2.3 红外图像仿真 | 第25-28页 |
| 2.3.1 辐射 | 第25页 |
| 2.3.2 黑体辐射 | 第25-26页 |
| 2.3.3 辐射出射度与辐射照度 | 第26-27页 |
| 2.3.4 辐射基本定律 | 第27-28页 |
| 2.3.5 基于辐射的红外图像仿真技术 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于视觉注意机制的GRABCUT图像分割 | 第29-47页 |
| 3.1 著图生成算法 | 第29-35页 |
| 3.1.1 AC算法 | 第29-30页 |
| 3.1.2 基于频率调谐的显著区域检测算法 | 第30-31页 |
| 3.1.3 基于直方图对比度的算法 | 第31页 |
| 3.1.4 基于区域对比度的算法 | 第31-32页 |
| 3.1.5 算法效果对比与分析 | 第32-35页 |
| 3.2 值化显著图及最大连通显著区域选取 | 第35-37页 |
| 3.3 结合GRABCUT完成精确分割 | 第37-41页 |
| 3.3.1 GrabCut算法 | 第37-38页 |
| 3.3.2 算法流程 | 第38-41页 |
| 3.4 边缘补偿处理 | 第41-43页 |
| 3.5 实验结果与分析 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 目标物体识别与红外仿真 | 第47-67页 |
| 4.1 基于ALEXNET的卷积神经网络结构 | 第47-51页 |
| 4.1.1 卷积层设计 | 第48页 |
| 4.1.2 ReLU激活函数 | 第48-49页 |
| 4.1.3 有重叠池化层 | 第49页 |
| 4.1.4 局部响应归一化层 | 第49-50页 |
| 4.1.5 全连接层 | 第50页 |
| 4.1.6 Dropout策略 | 第50-51页 |
| 4.1.7 决策层分类器 | 第51页 |
| 4.2 网络微调 | 第51-52页 |
| 4.3 实验结果 | 第52-58页 |
| 4.3.1 Caffe深度学习框架 | 第52-54页 |
| 4.3.2 网络微调实验 | 第54-56页 |
| 4.3.3 目标识别 | 第56-58页 |
| 4.4 基于辐射的红外图像仿真 | 第58-63页 |
| 4.4.1 目标辐射模型 | 第59-60页 |
| 4.4.2 环境辐射模型 | 第60-62页 |
| 4.4.3 大气传输模型 | 第62页 |
| 4.4.4 灰度转换 | 第62-63页 |
| 4.5 实验结果与分析 | 第63-66页 |
| 4.6 本章小结 | 第66-67页 |
| 5 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第73-75页 |
| 学位论文数据集 | 第75页 |
