| 摘要 | 第8-10页 |
| Abstract | 第10-12页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文主要工作和创新点 | 第16-18页 |
| 1.4 本文组织结构 | 第18-20页 |
| 第2章 RGB-D图像分割知识背景 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 RGB-D图像 | 第20-22页 |
| 2.2.1 了解RGB-D图像 | 第20-21页 |
| 2.2.2 RGB-D图像分割的意义 | 第21-22页 |
| 2.2.3 RGB-D图像分割的难点 | 第22页 |
| 2.3 RGB-D图像分割方法介绍 | 第22-28页 |
| 2.3.1 基于过分割和学习的图像分割方法 | 第22-24页 |
| 2.3.2 基于超像素MRF及分割树的RGB-D场景标记 | 第24-28页 |
| 2.4 小结 | 第28-29页 |
| 第3章 RGB-D室内场景分割预处理 | 第29-34页 |
| 3.1 引言 | 第29页 |
| 3.2 算法基本思想 | 第29-30页 |
| 3.3 算法主要步骤 | 第30-32页 |
| 3.3.1 RGB-D室内场景的超像素分割 | 第30-31页 |
| 3.3.2 超像素颜色信息及几何信息的初始化 | 第31-32页 |
| 3.4 核心算法描述 | 第32-33页 |
| 3.5 小结 | 第33-34页 |
| 第4章 超像素DBSCAN聚类的室内场景分割 | 第34-49页 |
| 4.1 引言 | 第34页 |
| 4.2 DBSCAN聚类算法 | 第34-38页 |
| 4.2.1 密度的概念 | 第34-35页 |
| 4.2.2 DBSCAN的算法思想及原理 | 第35页 |
| 4.2.3 DBSCAN的优势及不足 | 第35-38页 |
| 4.3 RGB-D室内场景分割 | 第38-43页 |
| 4.3.1 基于超像素的密度定义 | 第38页 |
| 4.3.2 基于超像素的DBSCAN聚类原理 | 第38-39页 |
| 4.3.3 基于泛洪算法的超像素融合 | 第39-41页 |
| 4.3.4 扩散策略 | 第41-42页 |
| 4.3.5 算法阈值的选取 | 第42-43页 |
| 4.4 核心算法描述 | 第43-44页 |
| 4.5 实验结果 | 第44-48页 |
| 4.5.1 定性比较 | 第44-47页 |
| 4.5.2 定量比较 | 第47-48页 |
| 4.6 小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49-50页 |
| 5.2 研究展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间发表的学术论文目录 | 第56-57页 |
| 攻读学位期间参与科研项目情况 | 第57-58页 |
| 学位论文评阅及答辩情况表 | 第58页 |