| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第一章 绪论 | 第13-23页 |
| ·研究背景和意义 | 第13-14页 |
| ·研究现状 | 第14-20页 |
| ·论文的主要研究工作 | 第20-21页 |
| ·论文的总体结构 | 第21-23页 |
| 第二章 视频对象分割所涉及的主要理论和方法 | 第23-49页 |
| ·模式聚类的理论基础 | 第23-27页 |
| ·特征选择和提取 | 第24-25页 |
| ·相似性度量 | 第25-26页 |
| ·聚类决策 | 第26-27页 |
| ·模糊聚类 | 第27-29页 |
| ·统计模式识别方面的有关理论 | 第29-34页 |
| ·贝叶斯(Bayes)分类器 | 第29-32页 |
| ·马尔可夫(Markov)随机场模型 | 第32-34页 |
| ·神经网络方面的有关理论 | 第34-39页 |
| ·神经元模型 | 第34-35页 |
| ·神经网络分类器 | 第35-37页 |
| ·神经网络的BP学习算法 | 第37-39页 |
| ·形态学方面的有关理论 | 第39-44页 |
| ·膨胀和腐蚀 | 第40-43页 |
| ·开和闭 | 第43-44页 |
| ·全局运动估计和补偿 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 第三章 用于视频对象分割的图像边缘检测 | 第49-69页 |
| ·引言 | 第49-50页 |
| ·克隆技术及克隆算法 | 第50-52页 |
| ·克隆技术 | 第50-51页 |
| ·克隆算法 | 第51-52页 |
| ·克隆算法和边缘连接算法的数学模型及应用 | 第52-65页 |
| ·克隆算法的数学模型 | 第52-60页 |
| ·图像边缘检测中基于人类视觉特性的阀值选取 | 第60-64页 |
| ·边缘连接算法的数学模型 | 第64-65页 |
| ·克隆算法和边缘连接算法在彩色图像边缘检测中的应用 | 第65页 |
| ·边缘检测的快速算法 | 第65-66页 |
| ·试验结果和比较 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第四章 基于时空联合的视频对象分割 | 第69-90页 |
| ·基于空间信息的视频对象分割 | 第69-70页 |
| ·基于时间信息的视频对象分割 | 第70页 |
| ·基于时空信息的视频对象分割 | 第70-85页 |
| ·算法概述 | 第71-73页 |
| ·初始视频对象模板提取 | 第73-83页 |
| ·视频对象跟踪 | 第83-85页 |
| ·试验结果和比较 | 第85-88页 |
| ·本章小结 | 第88-90页 |
| 第五章 基于背景构建的自动视频对象分割 | 第90-112页 |
| ·引言 | 第90-91页 |
| ·静止背景构成和帧差法分析 | 第91-93页 |
| ·背景差法分析 | 第93-94页 |
| ·背景构建 | 第94-102页 |
| ·参考帧对象模板获得 | 第95-99页 |
| ·关键背景和全景图像获得 | 第99-101页 |
| ·动态背景构建 | 第101-102页 |
| ·基于背景差法的视频对象提取 | 第102-107页 |
| ·背景差图像获得 | 第103页 |
| ·基于BP神经网络的对象模板获得 | 第103-107页 |
| ·试验结果和比较 | 第107-110页 |
| ·本章小结 | 第110-112页 |
| 第六章 半自动视频对象分割 | 第112-122页 |
| ·引言 | 第112-113页 |
| ·初始帧视频对象提取 | 第113-115页 |
| ·后续帧视频对象跟踪 | 第115-118页 |
| ·背景构建 | 第115-116页 |
| ·背景差模板提取 | 第116-117页 |
| ·运动估计和模板校正 | 第117-118页 |
| ·试验结果和比较 | 第118-121页 |
| ·本章小结 | 第121-122页 |
| 第七章 全文总结 | 第122-125页 |
| 致谢 | 第125-126页 |
| 参考文献 | 第126-135页 |
| 攻博期间取得的研究成果 | 第135-136页 |
| 个人简历 | 第136页 |