| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第8-12页 |
| 1.1 研究背景与动机 | 第8-10页 |
| 1.2 本文工作 | 第10页 |
| 1.3 文章结构 | 第10-12页 |
| 第二章 前景提取基础 | 第12-26页 |
| 2.1 前景/背景 | 第12-15页 |
| 2.1.1 古典构形线索 | 第13-14页 |
| 2.1.2 非古典几何构形线索 | 第14-15页 |
| 2.2 图像分割 | 第15-20页 |
| 2.2.1 Graph Cut算法 | 第16-19页 |
| 2.2.2 Grab Cut算法 | 第19-20页 |
| 2.3 前景抠图 | 第20-25页 |
| 2.3.1 蓝屏前景提取(Blue Screen Matting) | 第21-22页 |
| 2.3.2 贝叶斯前景提取(Bayesian matting) | 第22-23页 |
| 2.3.3 鲁棒性前景提取(robust matting) | 第23-24页 |
| 2.3.4 软剪刀方法(Soft Scissors) | 第24页 |
| 2.3.5 基于学习的前景提取算法 | 第24-25页 |
| 2.4 前景提取小结 | 第25-26页 |
| 第三章 基于散焦图的图像增强 | 第26-32页 |
| 3.1 单反相机与普通相机 | 第26-27页 |
| 3.2 散焦和弥散圆大小 | 第27-30页 |
| 3.3 基于散焦图的照片增强 | 第30-32页 |
| 3.3.1 散焦放大 | 第30页 |
| 3.3.2 Jean算法 | 第30-32页 |
| 第四章 基于散焦图的前景区域提取算法 | 第32-53页 |
| 4.1 研究动机 | 第32-33页 |
| 4.2 前景重定义 | 第33-36页 |
| 4.3 具体算法流程 | 第36-50页 |
| 4.3.1 算法框架 | 第36-37页 |
| 4.3.2 提取增强过的散焦图 | 第37-40页 |
| 4.3.3 提取显著图 | 第40-45页 |
| 4.3.4 图像分割 | 第45-46页 |
| 4.3.5 基于学习的前景区域确定 | 第46-50页 |
| 4.4 实验结果 | 第50-53页 |
| 4.4.1 数据集及评测 | 第50-53页 |
| 第五章 总结与展望 | 第53-54页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 附录 | 第56-58页 |
| A 硕士在读期间发表的学术论文 | 第56-57页 |
| B 硕士期间参加的科研项目 | 第57-58页 |
| 致谢 | 第58-59页 |
