纹理图像的结构提取方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-23页 |
| 1.1 课题背景与研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 结构提取基础理论 | 第13-17页 |
| 1.3.1 结构提取基本模型 | 第13-14页 |
| 1.3.2 全变分模型 | 第14-15页 |
| 1.3.3 相对全变分模型 | 第15-17页 |
| 1.4 相关数学方法介绍 | 第17-20页 |
| 1.4.1 广义软阈值算法 | 第17-19页 |
| 1.4.2 Chambolle投影方法 | 第19-20页 |
| 1.5 课题来源和本文主要研究内容 | 第20-23页 |
| 1.5.1 课题来源 | 第20页 |
| 1.5.2 本文主要研究内容 | 第20-23页 |
| 第2章 基于梯度先验的图像结构提取 | 第23-32页 |
| 2.1 超拉普拉斯梯度先验 | 第23页 |
| 2.2 基于超拉普拉斯梯度先验的图像平滑模型 | 第23-29页 |
| 2.2.1 模型建立 | 第23-24页 |
| 2.2.2 模型求解 | 第24-26页 |
| 2.2.3 结果与分析 | 第26-29页 |
| 2.3 基于相对超拉普拉斯梯度先验的全变分模型 | 第29-31页 |
| 2.3.1 模型建立 | 第29页 |
| 2.3.2 模型求解 | 第29-30页 |
| 2.3.3 结果与分析 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于模糊引导的相对全变分方法 | 第32-37页 |
| 3.1 高斯模糊 | 第32-33页 |
| 3.2 基于模糊引导的相对全变分 | 第33-35页 |
| 3.3 实验结果 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于结构轮廓特征学习的加权TV方法 | 第37-47页 |
| 4.1 结构轮廓特征学习 | 第38-44页 |
| 4.1.1 数据集 | 第38-39页 |
| 4.1.2 特征提取 | 第39-41页 |
| 4.1.3 各分类器训练学习 | 第41-42页 |
| 4.1.4 子数据集上的训练学习 | 第42-44页 |
| 4.2 基于结构轮廓特征学习的加权TV模型 | 第44-45页 |
| 4.3 实验效果 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验效果和性能综合对比 | 第47-59页 |
| 5.1 方法对比 | 第47-58页 |
| 5.1.1 参数意义和迭代次数 | 第47-50页 |
| 5.1.2 结构提取方法的质量对比 | 第50-55页 |
| 5.1.3 结构提取方法的运行速度对比 | 第55-57页 |
| 5.1.4 结构提取方法的性能对比 | 第57-58页 |
| 5.2 工作展望 | 第58页 |
| 5.3 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第65-67页 |
| 致谢 | 第67页 |
