| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 彩色图像转灰度图像的背景与意义 | 第8页 |
| 1.2 彩色图像转灰度图像研究现状 | 第8-11页 |
| 1.3 本文主要工作 | 第11页 |
| 1.4 本文的结构安排 | 第11-12页 |
| 第二章 彩色图像转灰度图像相关概述 | 第12-21页 |
| 2.1 图像类型 | 第12-13页 |
| 2.1.1 二值图像 | 第12页 |
| 2.1.2 灰度图像 | 第12-13页 |
| 2.1.3 彩色图像 | 第13页 |
| 2.1.4 索引图像 | 第13页 |
| 2.2 色彩空间介绍 | 第13-17页 |
| 2.2.1 RGB色彩空间 | 第14页 |
| 2.2.2 Lab色彩空间 | 第14-16页 |
| 2.2.3 HSV色彩空间与HSL色彩空间 | 第16页 |
| 2.2.4 YCbCr色彩空间 | 第16-17页 |
| 2.3 人眼视觉特征相关介绍 | 第17-19页 |
| 2.3.1 人眼的视觉特性 | 第17-18页 |
| 2.3.2 最小可觉差与韦伯定律 | 第18-19页 |
| 2.4 相关概念与数学基础介绍 | 第19-20页 |
| 2.4.1 熵与最大离散熵定理 | 第19-20页 |
| 2.4.2 主成分分析 | 第20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 彩色图像转灰度图像经典算法介绍 | 第21-34页 |
| 3.1 几种常见的固定权重彩色图像转灰度图像算法 | 第21-23页 |
| 3.2 基于全局映射的动态权重算法 | 第23-27页 |
| 3.2.1 基于Lab空间的全局优化算法。 | 第23-25页 |
| 3.2.2 改进的加权转换算法 | 第25-26页 |
| 3.2.3 多项式回归算法 | 第26-27页 |
| 3.3 两种基于图像信息提取的动态权重彩色图像灰度化算法 | 第27-30页 |
| 3.3.1 基于主成分分析的转换算法 | 第27-29页 |
| 3.3.2 基于图像信息熵最大化的彩色图像灰度化算法 | 第29-30页 |
| 3.4 彩色图像转灰度图像的评价方法 | 第30-33页 |
| 3.4.1 评价方法的分类与简介 | 第30-31页 |
| 3.4.2 C2G_SSIM客观评价系统 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于灰度域视觉特征的最优投影方向 | 第34-47页 |
| 4.1 当前主流彩色图像灰度化方法以及存在的问题 | 第34-39页 |
| 4.1.1 经典的固定权重算法 | 第34-36页 |
| 4.1.2 基于全局映射的动态权重算法 | 第36-37页 |
| 4.1.3 将图像视为数据流的信息提取类算法 | 第37-38页 |
| 4.1.4 分析与总结 | 第38-39页 |
| 4.2 基于灰度域视觉效果的彩色图像转灰度图像算法探寻 | 第39-40页 |
| 4.2.1 人眼视觉效果与灰度域的最小可觉差（JND） | 第39-40页 |
| 4.2.2 利用灰度域的最小可觉差来完成彩色图像灰度化 | 第40页 |
| 4.3 基于灰度域视觉效果的彩色图像转灰度图像算法流程 | 第40-44页 |
| 4.4 基于灰度域视觉特征的彩色图像灰度化算法实验结果与分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于彩色域的视觉特征提取算法 | 第47-60页 |
| 5.1 算法设计思路 | 第47-48页 |
| 5.2 Lab色彩空间视觉特征提取算法探讨 | 第48-50页 |
| 5.3 使用Lab色彩空间特征提取算法改进最大熵算法（Wan16） | 第50-52页 |
| 5.4 使用Lab色彩空间特征提取算法改进主成分分析算法（Seo13） | 第52-54页 |
| 5.5 各算法实验结果与对比分析 | 第54-56页 |
| 5.6 所有测试结果 | 第56-59页 |
| 5.7 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60-61页 |
| 6.2 彩色图像转灰度图像算法研究展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 在学期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |
