| 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15-19页 |
| 1.1 显著性目标检测算法的研究意义 | 第15页 |
| 1.2 显著性检测算法的分类与研究现状 | 第15-17页 |
| 1.3 论文的主要工作及章节安排 | 第17-19页 |
| 第二章 基于低秩矩阵恢复的显著性检测算法 | 第19-33页 |
| 2.1 基于稀疏表示与鲁棒主成分分析的显著性检测 | 第19-23页 |
| 2.1.1 图像块的稀疏表示 | 第20-21页 |
| 2.1.2 特征矩阵的低秩稀疏分解 | 第21-22页 |
| 2.1.3 实验结果与分析 | 第22-23页 |
| 2.2 基于多任务低秩表示的显著性检测 | 第23-26页 |
| 2.2.1 多任务显著性检测 | 第23-26页 |
| 2.2.2 实验结果与分析 | 第26页 |
| 2.3 基于特征变换与鲁棒主成分分析的显著性检测 | 第26-32页 |
| 2.3.1 特征变换矩阵与先验知识 | 第27-30页 |
| 2.3.2 特征矩阵的低秩稀疏分解 | 第30页 |
| 2.3.3 实验结果与分析 | 第30-32页 |
| 2.4 小结 | 第32-33页 |
| 第三章 显著性检测相关工具 | 第33-45页 |
| 3.1 超像素分割 | 第33-37页 |
| 3.1.1 基于图论的超像素分割算法 | 第33-35页 |
| 3.1.2 基于梯度下降的超像素分割算法 | 第35页 |
| 3.1.3 超像素分割算法性能对比 | 第35-37页 |
| 3.2 稀疏子空间聚类 | 第37-41页 |
| 3.2.1 稀疏子空间聚类 | 第37-38页 |
| 3.2.2 拉普拉斯稀疏子空间聚类 | 第38-40页 |
| 3.2.3 聚类算法性能对比 | 第40-41页 |
| 3.3 低秩表示算法 | 第41-43页 |
| 3.3.1 算法原理 | 第41-42页 |
| 3.3.2 优化求解 | 第42-43页 |
| 3.4 小结 | 第43-45页 |
| 第四章 基于稀疏子空间聚类和低秩表示的显著性目标检测 | 第45-67页 |
| 4.1 显著性目标检测模型的构建 | 第46-49页 |
| 4.1.1 复杂背景图像的显著性检测 | 第46-47页 |
| 4.1.2 尺寸较大显著性目标的检测 | 第47-48页 |
| 4.1.3 显著性目标检测模型的构建 | 第48-49页 |
| 4.2 字典的构建与显著图的生成 | 第49-54页 |
| 4.2.1 显著性字典的构建 | 第50页 |
| 4.2.2 基于低秩表示系数的显著图 | 第50-52页 |
| 4.2.3 基于重构误差的显著图 | 第52-53页 |
| 4.2.4 显著图的融合与滤波 | 第53-54页 |
| 4.3 联合低秩表示模型的优化 | 第54-57页 |
| 4.3.1 优化模型转化 | 第54页 |
| 4.3.2 优化公式推导 | 第54-56页 |
| 4.3.3 模型的优化求解 | 第56-57页 |
| 4.4 实验结果及分析 | 第57-64页 |
| 4.4.1 参数的选取 | 第57-59页 |
| 4.4.2 特殊图像检测 | 第59-61页 |
| 4.4.3 主流算法对比 | 第61-64页 |
| 4.5 小结 | 第64-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 论文总结 | 第67-68页 |
| 5.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |