图像热点识别技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 主要研究内容和论文结构 | 第11-12页 |
| 1.3.1 主要研究内容 | 第11页 |
| 1.3.2 论文结构 | 第11-12页 |
| 第二章 图像显著性检测概论 | 第12-24页 |
| 2.1 视觉注意机制 | 第12-13页 |
| 2.1.1 自顶向下的注意模式 | 第12页 |
| 2.1.2 自底向上的注意模式 | 第12-13页 |
| 2.2 图像特征概述 | 第13-15页 |
| 2.2.1 颜色特征 | 第13-14页 |
| 2.2.2 纹理特征 | 第14页 |
| 2.2.3 形状特征 | 第14页 |
| 2.2.4 空间特征 | 第14-15页 |
| 2.3 图像特征的对比方法 | 第15-16页 |
| 2.3.1 全局对比 | 第15页 |
| 2.3.2 区域对比 | 第15页 |
| 2.3.3 多尺度对比 | 第15-16页 |
| 2.4 多尺度处理技术 | 第16-18页 |
| 2.4.1 尺度空间思想 | 第16-17页 |
| 2.4.2 高斯金字塔 | 第17页 |
| 2.4.3 拉普拉斯金字塔 | 第17-18页 |
| 2.5 图像显著性检测经典算法 | 第18-23页 |
| 2.5.1 IT算法 | 第18-20页 |
| 2.5.2 GB算法 | 第20-21页 |
| 2.5.3 LC算法 | 第21页 |
| 2.5.4 RC算法 | 第21-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 超像素算法 | 第24-33页 |
| 3.1 Graph-Based算法 | 第24-25页 |
| 3.2 Normalized Cut算法 | 第25-26页 |
| 3.3 Turbopixel算法 | 第26-27页 |
| 3.4 SLIC算法 | 第27-28页 |
| 3.5 改进的SLIC算法 | 第28-32页 |
| 3.5.1 传统SLIC算法的不足 | 第28-29页 |
| 3.5.2 SLIC算法改进 | 第29-30页 |
| 3.5.3 实验结果分析 | 第30-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 基于多尺度和超像素的图像显著性检测算法 | 第33-44页 |
| 4.1 预处理 | 第34-35页 |
| 4.1.1 颜色合并 | 第34页 |
| 4.1.2 颜色空间转换 | 第34-35页 |
| 4.2 高斯金字塔搭建 | 第35-36页 |
| 4.3 超像素分割 | 第36-39页 |
| 4.3.1 原始SLIC算法 | 第37-38页 |
| 4.3.2 初始K值设置 | 第38-39页 |
| 4.3.3 欠分割区域的再次分割 | 第39页 |
| 4.4 单一尺度子显著度计算 | 第39-40页 |
| 4.5 多尺度融合显著图生成 | 第40-41页 |
| 4.6 实验结果分析 | 第41-43页 |
| 4.6.1 主观评价 | 第41页 |
| 4.6.2 客观分析 | 第41-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 5.1 论文内容总结 | 第44页 |
| 5.2 不足与展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49页 |
