| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 课题研究背景和意义 | 第13-15页 |
| 1.2 场景识别概述 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-20页 |
| 1.4 论文主要研究内容 | 第20-22页 |
| 1.5 论文的组织结构及章节安排 | 第22-23页 |
| 第2章 基于幅度谱调制的视觉显著性检测模型 | 第23-41页 |
| 2.1 视觉显著性检测的物理学基础 | 第23-26页 |
| 2.1.1 视觉注意的表现形式 | 第24-25页 |
| 2.1.2 视觉注意的选择方式 | 第25-26页 |
| 2.2 视觉注意力选择计算模型概述 | 第26-33页 |
| 2.2.1 基于空间的视觉注意力选择模型 | 第28-31页 |
| 2.2.2 基于频谱的视觉注意力选择模型 | 第31-33页 |
| 2.3 基于多通道特征和幅度谱调制的显著性检测模型 | 第33-38页 |
| 2.3.1 基于频谱的显著性检测算法分析 | 第33-35页 |
| 2.3.2 基于幅度均衡调制的视觉显著性检测框架提出 | 第35-37页 |
| 2.3.3 基于多特征的ASBM模型建立 | 第37-38页 |
| 2.4 实验结果与分析 | 第38-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 基于颜色恒常性理论的图像增强算法研究 | 第41-59页 |
| 3.1 图像增强技术 | 第41-43页 |
| 3.1.1 频率域方法 | 第41-42页 |
| 3.1.2 空间域方法 | 第42-43页 |
| 3.2 Retinex理论及计算模型 | 第43-47页 |
| 3.2.1 基于路径的Retinex算法 | 第44-45页 |
| 3.2.2 基于单尺度中心环绕的Retinex算法 | 第45-46页 |
| 3.2.3 基于多尺度中心环绕的Retinex算法 | 第46-47页 |
| 3.3 基于鲁棒各向异性扩散的Retinex算法研究 | 第47-54页 |
| 3.3.1 基于MSR算法增强的视觉显著性检测 | 第47-50页 |
| 3.3.2 基于鲁棒各向异性扩散的Retinex算法 | 第50-54页 |
| 3.4 实验结果与分析 | 第54-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第4章 基于视觉显著性的场景代表性区域分割框架 | 第59-83页 |
| 4.1 相关技术分析 | 第59-61页 |
| 4.1.1 图像分割 | 第59-60页 |
| 4.1.2 感兴趣区域检测 | 第60-61页 |
| 4.2 场景代表性区域分割框架 | 第61-62页 |
| 4.3 基于熵优先策略的场景区域分割 | 第62-72页 |
| 4.3.1 具有场景代表性的显著信息提取 | 第63-65页 |
| 4.3.2 基于熵优先的显著点定位 | 第65-68页 |
| 4.3.3 局部熵最大化的尺度定位及区域提取 | 第68-70页 |
| 4.3.4 实验结果与分析 | 第70-72页 |
| 4.4 基于先验知识的显著建筑物分割 | 第72-80页 |
| 4.4.1 基于Gabor的显著建筑物增强 | 第72-75页 |
| 4.4.2 显著建筑物候选区域提取及伪区域剔除 | 第75-77页 |
| 4.4.3 显著建筑物区域分割 | 第77-78页 |
| 4.4.4 实验结果与分析 | 第78-80页 |
| 4.5 本章小结 | 第80-83页 |
| 第5章 面向场景识别的局部不变特征提取 | 第83-101页 |
| 5.1 相关技术概述 | 第83-88页 |
| 5.1.1 局部不变特征检测 | 第83-86页 |
| 5.1.2 局部不变特征描述 | 第86-88页 |
| 5.2 局部不变特征提取 | 第88-98页 |
| 5.2.1 建立图像的尺度空间 | 第88-91页 |
| 5.2.2 基于竞争策略的兴趣点检测 | 第91-94页 |
| 5.2.3 基于多方向融合的兴趣点表征 | 第94-98页 |
| 5.3 实验结果与分析 | 第98-100页 |
| 5.4 本章小结 | 第100-101页 |
| 第6章 基于高维局部特征描述子的场景识别 | 第101-119页 |
| 6.1 相关工作介绍 | 第101-104页 |
| 6.2 基于高维特征向量的分类方法研究 | 第104-109页 |
| 6.2.1 HDR/IHDR | 第104-105页 |
| 6.2.2 HDR/IHDR树的构造算法 | 第105-108页 |
| 6.2.3 HDR/IHDR树的搜索算法 | 第108-109页 |
| 6.3 基于高维特征与IHDR的场景识别 | 第109-113页 |
| 6.3.1 基于IHDR树的场景识别框架 | 第109-111页 |
| 6.3.2 场景特征提取 | 第111-112页 |
| 6.3.3 分类器设计 | 第112-113页 |
| 6.4 实验结果与分析 | 第113-117页 |
| 6.5 本章小结 | 第117-119页 |
| 第7章 总结与进一步工作 | 第119-123页 |
| 7.1 总结 | 第119-120页 |
| 7.2 进一步工作 | 第120-123页 |
| 参考文献 | 第123-131页 |
| 致谢 | 第131-132页 |
| 攻读博士期间发表的论文 | 第132-133页 |
