基于特征点最小凸包与对比度的显著性区域检测算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 视觉计算模型 | 第11-12页 |
| 1.2.2 基于对比度显著性检测方法 | 第12-13页 |
| 1.3 技术难点 | 第13-14页 |
| 1.4 主要研究内容与章节安排 | 第14-16页 |
| 1.4.1 本文主要研究内容 | 第14-15页 |
| 1.4.2 章节安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 基本理论与相关工作 | 第17-26页 |
| 2.1 图像底层特征 | 第17-20页 |
| 2.1.1 颜色 | 第17-18页 |
| 2.1.2 亮度 | 第18-19页 |
| 2.1.3 纹理 | 第19-20页 |
| 2.2 显著性检测算法基本原理 | 第20-22页 |
| 2.2.1 中心-周围原理 | 第20-21页 |
| 2.2.2 颜色对立原理 | 第21页 |
| 2.2.3 对比度原理 | 第21页 |
| 2.2.4 格式塔原理 | 第21页 |
| 2.2.5 高频抑制原理 | 第21-22页 |
| 2.3 经典显著性区域检测算法 | 第22-25页 |
| 2.3.1 基于全局对比度算法 | 第22-23页 |
| 2.3.2 基于局部对比度算法 | 第23-25页 |
| 2.3.3 经典算法分析 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 基于超像素马尔科夫链的显著性区域检测算法 | 第26-40页 |
| 3.1 GBVS算法 | 第26-28页 |
| 3.1.1 马尔科夫链随机游走模型 | 第26-27页 |
| 3.1.2 GBVS算法过程 | 第27-28页 |
| 3.2 图像分割 | 第28-35页 |
| 3.2.1 图像分割算法SLIC | 第28-29页 |
| 3.2.2 超像素特征表示 | 第29-35页 |
| 3.3 超像素差异计算 | 第35-36页 |
| 3.4 计算显著图 | 第36-37页 |
| 3.5 仿真结果 | 第37-38页 |
| 3.6 本章小结 | 第38-40页 |
| 4 基于对比度与特征点显著性区域检测算法 | 第40-49页 |
| 4.1 中心显著图算法 | 第41-45页 |
| 4.1.1 Harris检测算法 | 第42-43页 |
| 4.1.2 计算中心显著图 | 第43-45页 |
| 4.2 全局显著图算法 | 第45-47页 |
| 4.2.1 AP聚类 | 第45-47页 |
| 4.2.2 计算全局显著图 | 第47页 |
| 4.3 局部显著图算法 | 第47-48页 |
| 4.4 最终显著图 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 实验结果与分析 | 第49-59页 |
| 5.1 实验仿真环境 | 第49-50页 |
| 5.1.1 图像数据库 | 第49页 |
| 5.1.2 评价指标 | 第49-50页 |
| 5.1.3 软硬件及参数选择 | 第50页 |
| 5.2 结果与分析 | 第50-58页 |
| 5.2.1 算法显著图 | 第50-54页 |
| 5.2.2 经典算法比较 | 第54-58页 |
| 5.3 本章小结 | 第58-59页 |
| 6 总结 | 第59-60页 |
| 6.1 工作总结 | 第59页 |
| 6.2 进一步研究方向 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64页 |
| A. 作者在攻读学位期间发表的论文专利目录 | 第64页 |
| B. 作者在攻读学位期间参与的科研项目目录 | 第64页 |
| C. 作者在攻读学位期间取得的奖学金 | 第64页 |
