| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·研究背景和意义 | 第8页 |
| ·Graph Cuts图像分割的研究现状与发展 | 第8-10页 |
| ·Graph Cuts分割技术的研究现状 | 第8-9页 |
| ·Graph Cuts的改进发展 | 第9-10页 |
| ·主要工作及章节安排 | 第10-11页 |
| ·本文的主要工作 | 第10页 |
| ·本文章节安排 | 第10-11页 |
| 2 Graph Cuts及其改进相关方法 | 第11-24页 |
| ·Graph Cuts理论简介 | 第11-15页 |
| ·图论分割 | 第11-13页 |
| ·目标能量函数最小化 | 第13-15页 |
| ·传统对Graph Cuts改进方法 | 第15-23页 |
| ·Grab Cuts | 第15-17页 |
| ·Lazy Snap | 第17页 |
| ·Obj Cuts | 第17-20页 |
| ·Geodesic Graph Cuts | 第20-23页 |
| ·小结 | 第23-24页 |
| 3 基于超像素的Graph Cuts | 第24-37页 |
| ·超像素产生 | 第24-31页 |
| ·基于图论的过分割方法 | 第24-26页 |
| ·基于梯度上升的过分割方法与SLIC | 第26-28页 |
| ·四种过分割方法的比较 | 第28-31页 |
| ·特征描述 | 第31-37页 |
| ·纹理特征 | 第31-33页 |
| ·颜色特征 | 第33页 |
| ·尺度不变特征变换 | 第33-35页 |
| ·本文所用的超像素特征描述算子 | 第35-37页 |
| 4 Graph Cuts边界项的改进 | 第37-50页 |
| ·成对超像素学习对边界项的改进 | 第37-44页 |
| ·基于超像素分类相关的方法 | 第37-41页 |
| ·基于成对超像素学习的Graph Cuts | 第41-42页 |
| ·成对超像素Graph Cuts实验比较 | 第42-44页 |
| ·图像边界信息用于衡量相邻超像素间的相似度 | 第44-49页 |
| ·相关方法 | 第45页 |
| ·使用边界对相邻超像素间相似度的衡量 | 第45-47页 |
| ·本文所用的边界信息衡量超像素的方法 | 第47-49页 |
| ·本文的目标能量函数边界项表达式 | 第49-50页 |
| 5 总体实验及分析 | 第50-54页 |
| ·基于超像素学习与基于特征欧式距离人体分割结果比较 | 第50-51页 |
| ·Geodesic Graph Cuts和本文方法比较 | 第51-52页 |
| ·人体图像库和马图像库分割总实验 | 第52-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |