| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 显著性检测的生物学原理 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-12页 |
| 1.3.1 基于显著像素点的显著性检测算法 | 第11页 |
| 1.3.2 基于显著性区域的显著性检测算法 | 第11-12页 |
| 1.4 显著性区域检测研究难点 | 第12-13页 |
| 1.5 本文主要工作 | 第13页 |
| 1.6 本文章节安排 | 第13-15页 |
| 第二章 显著性区域检测理论基础 | 第15-23页 |
| 2.1 显著性区域检测基础模型 | 第15页 |
| 2.2 显著性特征 | 第15-17页 |
| 2.3 显著性区域检测经典模型 | 第17-20页 |
| 2.3.1 AC模型 | 第18-19页 |
| 2.3.2 CAS模型 | 第19页 |
| 2.3.3 基于全局和局部对比度的模型 | 第19-20页 |
| 2.3.4 贝叶斯模型 | 第20页 |
| 2.4 显著性检测评价标准 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第三章 融合边界信息和颜色特征的显著性区域检测 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 加权中值滤波及条件概率的计算 | 第23-26页 |
| 3.2.1 加权中值滤波 | 第23-24页 |
| 3.2.2 条件概率 | 第24-26页 |
| 3.3 融合边界信息和颜色特征的显著图 | 第26-27页 |
| 3.3.1 融合边界信息和颜色特征 | 第26-27页 |
| 3.3.2 最终显著图 | 第27页 |
| 3.4 算法步骤实现 | 第27-28页 |
| 3.5 实验结果与分析 | 第28-32页 |
| 3.5.1 实验结果定性分析 | 第28-30页 |
| 3.5.2 实验结果定量分析 | 第30-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 基于前景增强与背景抑制的显著性区域检测 | 第33-43页 |
| 4.1 引言 | 第33页 |
| 4.2 显著图计算方法 | 第33-34页 |
| 4.2.1 基于区域对比的显著图 | 第33页 |
| 4.2.2 基于背景的显著图 | 第33-34页 |
| 4.3 基于能量的模板图 | 第34-36页 |
| 4.4 算法步骤实现 | 第36页 |
| 4.5 实验结果与分析 | 第36-41页 |
| 4.5.1 实验结果定性分析 | 第36-38页 |
| 4.5.2 实验结果定量分析 | 第38-40页 |
| 4.5.3 模板图效果评测 | 第40-41页 |
| 4.6 本章小结 | 第41-43页 |
| 第五章 基于多尺度空洞卷积和轮廓学习的显著性区域检测 | 第43-55页 |
| 5.1 引言 | 第43页 |
| 5.2 神经网络的特性及其架构 | 第43-46页 |
| 5.2.1 神经网络的特性 | 第43-44页 |
| 5.2.2 神经网络的基本组成单元 | 第44-45页 |
| 5.2.3 神经网络的基本结构 | 第45页 |
| 5.2.4 VGG16网络结构 | 第45-46页 |
| 5.3 基于多尺度空洞卷积和轮廓学习的网络架构 | 第46-49页 |
| 5.3.1 空洞卷积 | 第46-47页 |
| 5.3.2 轮廓学习 | 第47-48页 |
| 5.3.3 基于多尺度空洞卷积的VGG16网络架构 | 第48-49页 |
| 5.4 实验结果与分析 | 第49-54页 |
| 5.4.1 实验结果定性分析 | 第49-52页 |
| 5.4.2 实验结果定量分析 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 全文总结 | 第55页 |
| 6.2 研究展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第63页 |