基于贝叶斯模型的图像显著度检测
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-19页 |
| ·研究背景和意义 | 第8-9页 |
| ·显著度的定义 | 第9-10页 |
| ·显著度检测的应用 | 第10页 |
| ·显著度检测的分类 | 第10-12页 |
| ·显著度检测的研究现状 | 第12-14页 |
| ·显著度检测的技术难题 | 第14-16页 |
| ·本文的主要工作及结构安排 | 第16-19页 |
| 2 相关方法介绍 | 第19-29页 |
| ·边界概率 | 第19-22页 |
| ·方向能量 | 第19页 |
| ·纹理梯度 | 第19-20页 |
| ·局部化变换 | 第20-22页 |
| ·基于分类器的特征融合 | 第22页 |
| ·带有参考信号的独立成分分析 | 第22-27页 |
| ·单组参考信号的独立成分分析 | 第23-25页 |
| ·多参考信号的独立成分分析 | 第25-27页 |
| ·核密度估计 | 第27-29页 |
| ·核密度估计的定义 | 第27-28页 |
| ·核函数的选择 | 第28-29页 |
| 3 基于背景和全局信息的图像显著度检测BGF | 第29-44页 |
| ·基于背景和全局信息算法的主要框架 | 第29页 |
| ·贝叶斯框架 | 第29-30页 |
| ·背景与全局信息的先验图 | 第30-37页 |
| ·背景先验图 | 第31-34页 |
| ·基于全局的先验图 | 第34-37页 |
| ·观测似然概率 | 第37-38页 |
| ·算法验证实验 | 第38-44页 |
| ·数据库介绍 | 第39页 |
| ·参数设置 | 第39-40页 |
| ·背景先验的可靠性 | 第40-41页 |
| ·基于背景和全局信息的先验图的有效性 | 第41-44页 |
| 4 基于边界和软分割的显著度检测BSF | 第44-52页 |
| ·基于边界和软分割方法的基本框架 | 第44-45页 |
| ·基于边界的先验图 | 第45-47页 |
| ·基于软分割的改进的观测似然概率 | 第47-48页 |
| ·验证实验 | 第48-52页 |
| ·参数设置 | 第48页 |
| ·基于边界的先验图的有效性 | 第48-49页 |
| ·软分割结合的有效性 | 第49-50页 |
| ·软分割的有效性 | 第50-52页 |
| 5 扩展实验 | 第52-58页 |
| ·本文的两种方法与其他方法的比较 | 第52-55页 |
| ·显著度检测的扩展应用 | 第55-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-65页 |
| 致谢 | 第65-66页 |
