基于视觉和几何特征的街景图像语义分割
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-25页 |
| ·研究背景和意义 | 第10-11页 |
| ·图像分割的研究背景 | 第10-11页 |
| ·本文的研究意义 | 第11页 |
| ·图像分割的定义与分类 | 第11-12页 |
| ·图像分割的研究成果 | 第12-21页 |
| ·基于特征空间的分割算法 | 第12-15页 |
| ·基于图像域的分割算法 | 第15-20页 |
| ·基于物理特征的分割算法 | 第20-21页 |
| ·混合分割算法 | 第21页 |
| ·图像分割相关算法比较 | 第21-23页 |
| ·本文的研究内容和组织安排 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第2章 基于空间极值和区域合并的图像分割. | 第25-38页 |
| ·尺度空间极值点的检测 | 第25-31页 |
| ·检测 DOG 空间极值点 | 第26-29页 |
| ·精确定位极值点 | 第29-31页 |
| ·基于人眼感知特性和区域邻接表的区域合并 | 第31-34页 |
| ·颜色空间选择 | 第31-32页 |
| ·区域邻接图 | 第32-33页 |
| ·小区域的合并 | 第33页 |
| ·大区域的合并 | 第33-34页 |
| ·实验结果与分析 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 特征表示 | 第38-47页 |
| ·视觉特征的表示 | 第38-41页 |
| ·滤波器组的组成及响应 | 第38-39页 |
| ·k-means 聚类算法 | 第39-40页 |
| ·k-d 树的建立 | 第40-41页 |
| ·几何特征的表示 | 第41-44页 |
| ·几何特征的提取 | 第41-43页 |
| ·几何特征响应 | 第43-44页 |
| ·形状滤波器 | 第44-45页 |
| ·联合增强分类器 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 语义分割中的条件随机场 | 第47-52页 |
| ·条件随机场概述 | 第47-49页 |
| ·条件随机场一元项 | 第49-50页 |
| ·条件随机场二元项 | 第50页 |
| ·条件随机场的高阶项 | 第50页 |
| ·学习条件随机场的参数 | 第50-51页 |
| ·推断分割结果 | 第51页 |
| ·本章小结 | 第51-52页 |
| 第5章 实验结果分析 | 第52-59页 |
| ·实验图片库 | 第52-53页 |
| ·训练学习 | 第53-54页 |
| ·结果分析 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 第6章 全文总结 | 第59-62页 |
| ·主要结论 | 第59-60页 |
| ·研究展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间已录用的论文 | 第68-71页 |
| 附件 | 第71页 |
