基于多特征融合的视觉显著性检测算法研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要工作和创新点 | 第12-13页 |
| 1.4 各章节安排 | 第13-14页 |
| 2 视觉显著性研究的理论基础 | 第14-32页 |
| 2.1 视觉注意机制 | 第14-17页 |
| 2.1.1 Treisman特征融合理论 | 第14-15页 |
| 2.1.2 Koch神经生物学框架 | 第15-17页 |
| 2.2 图像初级特征 | 第17-21页 |
| 2.2.1 颜色特征 | 第17-20页 |
| 2.2.2 强度特征 | 第20-21页 |
| 2.2.3 Gabor局部方向特征 | 第21页 |
| 2.2.4 形状特征 | 第21页 |
| 2.3 视觉显著性检测原理 | 第21-23页 |
| 2.4 测试数据集 | 第23-24页 |
| 2.5 性能评估指标 | 第24-25页 |
| 2.6 典型方法介绍 | 第25-31页 |
| 2.6.1 IT算法 | 第26-27页 |
| 2.6.2 FT算法 | 第27-29页 |
| 2.6.3 HC算法 | 第29-30页 |
| 2.6.4 RC算法 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 3 中心聚焦全局对比的显著性检测 | 第32-41页 |
| 3.1 引言 | 第32页 |
| 3.2 算法框架 | 第32-33页 |
| 3.3 算法描述 | 第33-36页 |
| 3.3.1 颜色对比特征图 | 第33-34页 |
| 3.3.2 中心聚焦特征图 | 第34-35页 |
| 3.3.3 特征图归一化与融合 | 第35-36页 |
| 3.4 实验与分析 | 第36-39页 |
| 3.4.1 主观视觉效果分析 | 第36-37页 |
| 3.4.2 定量指标评价分析 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 4 基于多特征融合的视觉显著性检测 | 第41-54页 |
| 4.1 引言 | 第41页 |
| 4.2 算法框架 | 第41-42页 |
| 4.3 算法描述 | 第42-48页 |
| 4.3.1 视觉特征提取 | 第42-44页 |
| 4.3.2 BP神经网络 | 第44-45页 |
| 4.3.3 BP神经网络结构设计 | 第45-48页 |
| 4.3.4 BP神经网络训练与显著图输出 | 第48页 |
| 4.4 实验与分析 | 第48-53页 |
| 4.4.1 主观视觉效果分析 | 第49-51页 |
| 4.4.2 定量指标评价分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 显著性检测算法的应用 | 第54-58页 |
| 5.1 引言 | 第54页 |
| 5.2 核心区域定位 | 第54-56页 |
| 5.3 感兴趣目标提取 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65页 |
