| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·前言 | 第7页 |
| ·研究背景 | 第7-8页 |
| ·国内外发展现状和水平 | 第7-8页 |
| ·研究意义 | 第8页 |
| ·研究内容及目标 | 第8-9页 |
| ·论文结构 | 第9-11页 |
| 第二章 运动图象分割基础 | 第11-23页 |
| ·引言 | 第11页 |
| ·贝叶斯图像分析理论 | 第11-13页 |
| ·贝叶斯图像分析 | 第11页 |
| ·Bayesian 方法概述 | 第11-13页 |
| ·运动对象分割的基本技术 | 第13-23页 |
| ·空间域分割技术 | 第13-17页 |
| ·时间域分割技术 | 第17-20页 |
| ·时空联合分割技术 | 第20-23页 |
| 第三章 最大似然估计和贝叶斯参数估计 | 第23-33页 |
| ·引言 | 第23页 |
| ·最大似然估计 | 第23-26页 |
| ·基本原理 | 第23-25页 |
| ·EM 算法 | 第25-26页 |
| ·贝叶斯估计 | 第26-29页 |
| ·类条件密度 | 第26-27页 |
| ·参数的分布 | 第27-28页 |
| ·贝叶斯参数估计:多变量高斯情况 | 第28页 |
| ·贝叶斯参数估计的一般理论 | 第28-29页 |
| ·MAP 算法 | 第29-33页 |
| 第四章 基于 Markov 随机场模型的运动对象分割研究 | 第33-43页 |
| ·引言 | 第33页 |
| ·Markov 随机场模型 | 第33-36页 |
| ·邻域系统与势团(Cliques ) | 第33-34页 |
| ·Markov 随机场 | 第34-35页 |
| ·Gibbs 随机场与 Markov-Gibbs 等效性 | 第35-36页 |
| ·最大后验边缘概率与 MAP 相结合方法 | 第36-38页 |
| ·后验边缘的快速估计程序 | 第37页 |
| ·完整算法 | 第37-38页 |
| ·运动分割的执行 | 第38-40页 |
| ·实验及其结果 | 第40-42页 |
| ·实验一：合成序列分割 | 第40-41页 |
| ·实验二：真实序列分割 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于时空结合概率模型的运动估计和分割方法 | 第43-53页 |
| ·引言 | 第43页 |
| ·模型描述 | 第43-47页 |
| ·对象的分割标记 | 第43-46页 |
| ·对象的运动模型 | 第46-47页 |
| ·贝叶斯框架 | 第47-48页 |
| ·具体方法 | 第48-50页 |
| ·实验及其结果 | 第50-52页 |
| ·本章小节 | 第52-53页 |
| 第六章 总结与展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的论文 | 第58页 |