| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究的意义 | 第8-9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-13页 |
| 1.2.1 自底向上(Bottom-Up)模型 | 第9-12页 |
| 1.2.2 自上而下(Top-Down)模型 | 第12-13页 |
| 1.3 研究难点 | 第13页 |
| 1.4 本文的主要研究工作 | 第13-14页 |
| 1.5 论文结构安排 | 第14-15页 |
| 第二章 图像显著性检测基本理论研究 | 第15-25页 |
| 2.1 视觉注意机制 | 第15-16页 |
| 2.1.1 对比性原理 | 第15-16页 |
| 2.1.2 中心先验原理 | 第16页 |
| 2.1.3 边界先验原理 | 第16页 |
| 2.2 图像底层特征 | 第16-19页 |
| 2.2.1 颜色特征 | 第17-18页 |
| 2.2.2 灰度特征 | 第18页 |
| 2.2.3 LBP特征 | 第18-19页 |
| 2.3 常用的显著性检测模型 | 第19-23页 |
| 2.3.1 基于局部对比度的模型 | 第19页 |
| 2.3.2 基于全局对比度的模型 | 第19-20页 |
| 2.3.3 贝叶斯模型 | 第20-21页 |
| 2.3.4 吸收马尔科夫链模型 | 第21-23页 |
| 2.4 实验评价指标介绍 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 全局对比和背景先验驱动的显著目标检测 | 第25-34页 |
| 3.1 显著图计算方法 | 第25-29页 |
| 3.1.1 图像预处理分割 | 第25-26页 |
| 3.1.2 基于全局对比 | 第26页 |
| 3.1.3 基于背景的显著图提取 | 第26-27页 |
| 3.1.4 显著图融合 | 第27-28页 |
| 3.1.5 基于多兴趣点的高斯模型 | 第28-29页 |
| 3.2 算法步骤实现 | 第29页 |
| 3.3 仿真实验分析 | 第29-33页 |
| 3.3.1 与其他显著目标检测算法的对比 | 第30-32页 |
| 3.3.2 多兴趣点高斯模型性能测试 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 融合多尺度对比与贝叶斯模型的显著目标检测 | 第34-44页 |
| 4.1 显著目标计算方法 | 第34-38页 |
| 4.1.1 改进的超像素分割 | 第34-35页 |
| 4.1.2 背景先验显著图提取 | 第35-36页 |
| 4.1.3 凸包中心先验下的显著图提取 | 第36-38页 |
| 4.1.4 贝叶斯模型 | 第38页 |
| 4.2 算法步骤实现 | 第38-39页 |
| 4.3 仿真实验分析 | 第39-43页 |
| 4.3.1 与其他显著目标检测实验对比 | 第40-42页 |
| 4.3.2 改进的超像素分割方法性能测试 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 结合多特征提取与马尔科夫吸收链的显著区域检测 | 第44-55页 |
| 5.1 本章算法原理 | 第44-50页 |
| 5.1.1 多特征提取的初步显著图 | 第44-46页 |
| 5.1.2 前景吸收点以及背景吸收点的选择 | 第46-47页 |
| 5.1.3 吸收马尔科夫链图模型建立 | 第47-48页 |
| 5.1.4 显著图融合优化 | 第48-50页 |
| 5.2 算法步骤实现 | 第50-51页 |
| 5.3 仿真实验分析 | 第51-54页 |
| 5.3.1 与其他算法对比的定性分析 | 第51-52页 |
| 5.3.2 与其他算法对比的定量分析 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 主要结论与展望 | 第55-57页 |
| 主要结论 | 第55页 |
| 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第62页 |