| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第15-27页 |
| 1.1 引言 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-22页 |
| 1.2.1 图像分割 | 第16-21页 |
| 1.2.2 目标检测和跟踪 | 第21-22页 |
| 1.3 研究意义 | 第22-23页 |
| 1.4 研究内容和创新点 | 第23-25页 |
| 1.5 本文结构 | 第25-27页 |
| 2 图像分割方法改进研究 | 第27-46页 |
| 2.1 图像分割理论方法概述 | 第27-33页 |
| 2.1.1 传统图像分割方法 | 第27-28页 |
| 2.1.2 基于各种理论方法的改进方法 | 第28-33页 |
| 2.1.3 图像分割发展趋势 | 第33页 |
| 2.2 基于PTSBN结构的图像分割方法研究 | 第33-39页 |
| 2.2.1 构造概率树结构 | 第34-35页 |
| 2.2.2 PTSBN框架说明 | 第35-37页 |
| 2.2.3 评价方法 | 第37页 |
| 2.2.4 实验结果 | 第37-39页 |
| 2.3 基于向量值图像的图像分割方法研究 | 第39-45页 |
| 2.3.1 向量值图像的边界检测算子 | 第40-41页 |
| 2.3.2 向量值图像的全局分割方法 | 第41-42页 |
| 2.3.3 图像分割效果及分析 | 第42-44页 |
| 2.3.4 数值实验 | 第44-45页 |
| 2.4 本章小结 | 第45-46页 |
| 3 改进视觉显著性方法及其图像分割研究 | 第46-66页 |
| 3.1 基于改进视觉显著性度量方法的图像分割研究 | 第46-54页 |
| 3.1.1 系统模型 | 第46-47页 |
| 3.1.2 视觉显著性度量 | 第47-51页 |
| 3.1.3 图像分割过程 | 第51-52页 |
| 3.1.4 实验结果与分析 | 第52-54页 |
| 3.2 多尺度化视觉显著性检测方法研究 | 第54-65页 |
| 3.2.1 图像视觉显著性检测 | 第55-57页 |
| 3.2.2 多尺度化视觉显著性检测方法 | 第57-61页 |
| 3.2.3 实验结果与分析 | 第61-65页 |
| 3.3 本章小结 | 第65-66页 |
| 4 基于增量向量SVM的图像分割研究 | 第66-83页 |
| 4.1 增量式支持向量机学习算法研究 | 第66-74页 |
| 4.1.1 增量向量抽取 | 第66页 |
| 4.1.2 支持向量机原理 | 第66-67页 |
| 4.1.3 在线增量学习和在线减量学习 | 第67-70页 |
| 4.1.4 实验结果与分析 | 第70-74页 |
| 4.2 基于增量学习向量SVM方法的图像分割研究 | 第74-81页 |
| 4.2.1 选择增量学习向量 | 第74-75页 |
| 4.2.2 寻找增量学习向量策略 | 第75-78页 |
| 4.2.3 增量学习向量SVM学习方法 | 第78-79页 |
| 4.2.4 实验仿真与图像分割结果 | 第79-81页 |
| 4.3 本章小结 | 第81-83页 |
| 5 基于改进SVM和改进视觉显著性的目标图像分割研究 | 第83-108页 |
| 5.1 变量学习支持向量机研究 | 第83-94页 |
| 5.1.1 变量学习支持向量机 | 第84-85页 |
| 5.1.2 VLSVM的增量学习算法 | 第85-89页 |
| 5.1.3 VLSVM的减量学习算法 | 第89-91页 |
| 5.1.4 实验结果与分析 | 第91-94页 |
| 5.2 基于改进视觉显著性和AVLSVM的目标图像分割研究 | 第94-107页 |
| 5.2.1 AVLSVM方法研究 | 第95-96页 |
| 5.2.2 粒子滤波算法 | 第96-97页 |
| 5.2.3 基于视觉显著性特征提取的AVLSVM目标图像分割算法 | 第97-99页 |
| 5.2.4 算法相关说明 | 第99-102页 |
| 5.2.5 实验结果及分析 | 第102-107页 |
| 5.3 本章小结 | 第107-108页 |
| 6 总结与展望 | 第108-110页 |
| 6.1 本文工作总结 | 第108-109页 |
| 6.2 工作展望 | 第109-110页 |
| 致谢 | 第110-111页 |
| 参考文献 | 第111-127页 |
| 附录 | 第127-128页 |
