| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 本文的主要工作和章节安排 | 第10-12页 |
| 2 图像显著性检测的典型方法介绍 | 第12-30页 |
| 2.1 基于生物学视觉机制的方法 | 第12-15页 |
| 2.2 基于空间频域的剩余谱方法 | 第15-17页 |
| 2.3 基于图论的方法 | 第17-18页 |
| 2.4 基于全局对比度的方法 | 第18-24页 |
| 2.5 基于贝叶斯框架的方法 | 第24-27页 |
| 2.6 基于矩阵分解的方法 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 3 图像低层次特征和先验知识的相关介绍 | 第30-39页 |
| 3.1 图像低层次特征的提取 | 第30-34页 |
| 3.1.1 颜色特征 | 第30-31页 |
| 3.1.2 局部能量特征 | 第31-32页 |
| 3.1.3 纹理特征 | 第32-34页 |
| 3.2 先验知识 | 第34-38页 |
| 3.2.1 位置先验 | 第34-35页 |
| 3.2.2 颜色先验 | 第35-36页 |
| 3.2.3 凸包先验 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 4 基于多特征低秩模型的图像显著性检测 | 第39-47页 |
| 4.1 先验引导的多视角低秩模型(PM-LRM) | 第39-44页 |
| 4.1.1 PM-LRM模型对显著性检测的描述 | 第39-42页 |
| 4.1.2 l_(2.1)范数下的模型求解 | 第42-44页 |
| 4.1.3 与多特征低秩模型TFP方法的比较 | 第44页 |
| 4.2 基于PM-LRM模型的显著性检测算法 | 第44-47页 |
| 4.2.1 图像分割与特征提取 | 第45-46页 |
| 4.2.2 选取先验和掩膜矩阵 | 第46-47页 |
| 5 实验结果与对比分析 | 第47-53页 |
| 5.1 定量分析评价指标 | 第47-48页 |
| 5.1.1 精确率召回率曲线(PR曲线) | 第47页 |
| 5.1.2 自适应阈值下的F-度量(F-measure) | 第47-48页 |
| 5.2 实验结果比较 | 第48-51页 |
| 5.2.1 数据集MSRA-1000上的比较结果 | 第48-50页 |
| 5.2.2 数据集MSRA-5000上的比较结果 | 第50-51页 |
| 5.3 失败的案例 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-60页 |