| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 图像分割算法 | 第10-15页 |
| 1.2.1 传统图像分割算法 | 第11-12页 |
| 1.2.2 超像素分割算法 | 第12-14页 |
| 1.2.3 基于分类的图像分割算法 | 第14-15页 |
| 1.3 论文主要章节安排 | 第15-17页 |
| 第2章 超像素分割算法 | 第17-29页 |
| 2.1 超像素分割算法 | 第17-23页 |
| 2.1.1 基于图论的超像素分割算法 | 第17-19页 |
| 2.1.2 基于梯度下降的超像素分割算法 | 第19-20页 |
| 2.1.3 超像素分割算法总结 | 第20-22页 |
| 2.1.4 超像素分割实验 | 第22-23页 |
| 2.2 基于 Mean Shift 算法的超像素分割 | 第23-28页 |
| 2.2.1 Mean Shfit 算法原理 | 第23-26页 |
| 2.2.2 Mean Shfit 算法生成超像素的过程 | 第26-27页 |
| 2.2.3 Mean Shfit 超像素分割实验 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于超像素和区域合并的图像分割算法 | 第29-45页 |
| 3.1 贝叶斯方法 | 第29-33页 |
| 3.1.1 贝叶斯公式 | 第30页 |
| 3.1.2 贝叶斯机器学习 | 第30页 |
| 3.1.3 贝叶斯非参数方法 | 第30-33页 |
| 3.2 基于贝叶斯非参数聚类模型的区域合并 | 第33-36页 |
| 3.2.1 贝叶斯非参数聚类模型 | 第33-35页 |
| 3.2.2 贝叶斯合并 | 第35页 |
| 3.2.3 区域合并策略 | 第35-36页 |
| 3.3 算法步骤及伪代码 | 第36-38页 |
| 3.4 图像分割评价标准 | 第38-39页 |
| 3.5 实验结果及分析 | 第39-44页 |
| 3.5.1 视觉效果 | 第41-43页 |
| 3.5.2 定量分析 | 第43页 |
| 3.5.3 运行时间 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于人脸检测和MS-BRM的人物图像分割算法 | 第45-60页 |
| 4.1 人物图像分割方法 | 第45-46页 |
| 4.2 人脸检测 | 第46-49页 |
| 4.2.1 人脸检测方法 | 第47-48页 |
| 4.2.2 基于树结构部件混合模型的人脸检测 | 第48-49页 |
| 4.3 人体种子点估计模型 | 第49-51页 |
| 4.3.1 目标种子点的建立 | 第50-51页 |
| 4.3.2 背景种子点的建立 | 第51页 |
| 4.4 算法步骤及伪代码 | 第51-53页 |
| 4.5 人物图像分割评价标准 | 第53-55页 |
| 4.6 实验结果及分析 | 第55-58页 |
| 4.6.1 视觉效果 | 第56-58页 |
| 4.6.2 定量分析 | 第58页 |
| 4.7 本章小结 | 第58-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 论文展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-71页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第71页 |
