| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 数字抠图技术的研究现状 | 第12-15页 |
| 1.2.1 二元抠图技术 | 第13-14页 |
| 1.2.2 alpha抠图技术 | 第14-15页 |
| 1.3 论文主要工作及安排 | 第15-17页 |
| 1.3.1 本文的主要工作 | 第15-16页 |
| 1.3.2 本文的组织结构 | 第16-17页 |
| 第2章 数字抠图的相关理论 | 第17-31页 |
| 2.1 边缘检测基础理论和方法 | 第17-21页 |
| 2.1.1 边缘检测的基本概念和实现步骤 | 第17-18页 |
| 2.1.2 经典边缘检测算法 | 第18-21页 |
| 2.2 基于图论的图像分割方法 | 第21-24页 |
| 2.2.1 基于GraphCut的层次式图像分割算法 | 第21页 |
| 2.2.2 图的构造 | 第21-22页 |
| 2.2.3 能量函数表示 | 第22-23页 |
| 2.2.4 网络中最大流最小割算法 | 第23-24页 |
| 2.3 数字抠图相关基础知识 | 第24-27页 |
| 2.3.1 图像alpha通道 | 第24-25页 |
| 2.3.2 Matting算法分类 | 第25-27页 |
| 2.4 超像素 | 第27-29页 |
| 2.4.1 基于图论的超像素分割方法 | 第27-28页 |
| 2.4.2 基于梯度的超像素分割方法 | 第28-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 基于superpixels的Graph Cut算法 | 第31-45页 |
| 3.1 计算能量最大值的超像素 | 第31-33页 |
| 3.2 能量函数 | 第33-36页 |
| 3.2.1 颜色分布参数:H(s) | 第33-34页 |
| 3.2.2 边界项:G(s) | 第34-35页 |
| 3.2.3 超像素间的逻辑结构关系 | 第35-36页 |
| 3.3 基于爬山算法的超像素优化 | 第36-39页 |
| 3.3.1 初始化 | 第36页 |
| 3.3.2 提出像素级和块级的运动 | 第36-37页 |
| 3.3.3 评估像素级和块级的运动 | 第37页 |
| 3.3.4 颜色分布项 | 第37-38页 |
| 3.3.5 边界项 | 第38页 |
| 3.3.6 颜色分布的更新 | 第38-39页 |
| 3.3.7 实验结果 | 第39页 |
| 3.4 基于superpixels的Graph Cut前景图像标记 | 第39-43页 |
| 3.4.1 图论分割 | 第39-41页 |
| 3.4.2 目标能量函数最小化 | 第41-42页 |
| 3.4.3 实验分析 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 通过单视图上的聚类结构同时学习聚类和分类 | 第45-57页 |
| 4.1 SCC算法介绍 | 第46-48页 |
| 4.2 通过数据的CSR来同时学习分类和聚类 | 第48-50页 |
| 4.2.1 聚类结构表示CSR | 第48-49页 |
| 4.2.2 改进分类和聚类算法 | 第49-50页 |
| 4.2.3 核化SemSR | 第50页 |
| 4.3 实验分析 | 第50-55页 |
| 4.3.1 聚类学习结果分析 | 第50-51页 |
| 4.3.2 算法有效性验证 | 第51-53页 |
| 4.3.3 SemSR算法时间复杂度分析 | 第53-54页 |
| 4.3.4 SemSR的分类结果与性能对比 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 基于导向滤波器的α抠图 | 第57-69页 |
| 5.1 图像的α通道图像生成算法 | 第57-62页 |
| 5.1.1 图像α通道概念 | 第57-58页 |
| 5.1.2 提取α通道图像的主要技术 | 第58-62页 |
| 5.2 导向滤波器 | 第62-65页 |
| 5.2.1 导向滤波器概念 | 第62-65页 |
| 5.2.2 导向滤波器与图像α通道的关系 | 第65页 |
| 5.3 实验结果及分析 | 第65-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 未来展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77页 |
