| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究的目的和意义 | 第12-13页 |
| 1.2 国内外研究现状及分析 | 第13-19页 |
| 1.2.1 基于自底向上的显著性区域计算的研究现状及分析 | 第13-16页 |
| 1.2.2 基于自顶向下的显著性区域计算的研究现状及分析 | 第16-19页 |
| 1.2.3 显著性物体分割算法研究现状及分析 | 第19页 |
| 1.3 本论文研究内容 | 第19-20页 |
| 1.3.1 基于自底向上的视觉显著性区域检测算法研究 | 第19-20页 |
| 1.3.2 基于自顶向下的视觉显著性区域检测算法研究 | 第20页 |
| 1.3.3 基于视觉显著性区域计算的物体分割方法研究 | 第20页 |
| 1.4 论文结构 | 第20-22页 |
| 第2章 基于跨层融合的视觉显著性区域计算方法 | 第22-44页 |
| 2.1 引言 | 第22页 |
| 2.2 模型框架图 | 第22-23页 |
| 2.3 基于图像金字塔的分层图像抽象表示 | 第23-27页 |
| 2.3.1 单一尺度下图像同质区域构建 | 第23-25页 |
| 2.3.2 同质区域内特征提取 | 第25-26页 |
| 2.3.3 图像尺度空间的选择 | 第26-27页 |
| 2.4 构建图像区域的全局显著性线索 | 第27-33页 |
| 2.4.1 基于K均值聚类的区域颜色分布线索 | 第27-31页 |
| 2.4.2 全局颜色对比度线索 | 第31-32页 |
| 2.4.3 单一尺度下显著性线索的融合 | 第32-33页 |
| 2.5 不同尺度下显著性图像的融合 | 第33-34页 |
| 2.6 实验结果及分析 | 第34-43页 |
| 2.6.1 评价指标 | 第34-35页 |
| 2.6.2 在MSRA-1000数据集上性能比较 | 第35-37页 |
| 2.6.3 在SED数据集上性能比较 | 第37-40页 |
| 2.6.4 视觉显著性影响因素评价 | 第40-41页 |
| 2.6.5 不同分割方法在显著性计算中的评价 | 第41-43页 |
| 2.7 本章小结 | 第43-44页 |
| 第3章 高层先验与低层特征融合的视觉显著性计算方法 | 第44-68页 |
| 3.1 引言 | 第44-45页 |
| 3.2 算法概述 | 第45-47页 |
| 3.3 基于区域合并的图像区域构建 | 第47-48页 |
| 3.4 基于高层先验知识的显著性特征 | 第48-51页 |
| 3.4.1 图像中心先验知识 | 第48-49页 |
| 3.4.2 图像边界先验知识 | 第49-51页 |
| 3.5 基于图像底层的显著性特征 | 第51-56页 |
| 3.5.1 基于模糊c均值聚类的区域分布特征 | 第51-53页 |
| 3.5.2 图像区域全局对比度特征 | 第53-56页 |
| 3.6 显著性特征融合 | 第56-59页 |
| 3.6.1 单一尺度下递进式显著性线索的融合 | 第56-57页 |
| 3.6.2 不同尺度下显著性融合及增强 | 第57-59页 |
| 3.7 实验结果分析 | 第59-67页 |
| 3.7.1 评价标准 | 第59页 |
| 3.7.2 在MSRA-5000数据集上性能测试 | 第59-62页 |
| 3.7.3 在ASD-1000数据集上性能测试 | 第62-63页 |
| 3.7.4 在ECSSD-1000数据集上性能测试 | 第63-64页 |
| 3.7.5 在BSD-300数据集上性能测试 | 第64-65页 |
| 3.7.6 显著性因素的评价 | 第65-66页 |
| 3.7.7 基于K-均值和FCM的分布方差的评价 | 第66-67页 |
| 3.8 本章小结 | 第67-68页 |
| 第4章 基于特征组合和学习的视觉显著性方法 | 第68-96页 |
| 4.1 引言 | 第68页 |
| 4.2 相关知识 | 第68-70页 |
| 4.2.1 稀疏表示 | 第68-69页 |
| 4.2.2 高斯混合模型 | 第69-70页 |
| 4.3 算法概述 | 第70-71页 |
| 4.4 构建不同的显著性特征 | 第71-82页 |
| 4.4.1 物体对象性 | 第71-75页 |
| 4.4.2 基于边界的稀疏稀疏重建特征 | 第75-76页 |
| 4.4.3 基于高斯混合模型的区域颜色分布 | 第76-78页 |
| 4.4.4 图像区域全局对比度特征 | 第78-79页 |
| 4.4.5 不同显著性特征的平滑 | 第79-81页 |
| 4.4.6 15D组合特征的生成 | 第81-82页 |
| 4.5 基于学习的显著性检测 | 第82-86页 |
| 4.5.1 训练样本的构建 | 第82-83页 |
| 4.5.2 参数的学习 | 第83-84页 |
| 4.5.3 区域的显著性计算 | 第84-85页 |
| 4.5.4 显著性图像增强 | 第85-86页 |
| 4.6 实验结果及分析 | 第86-95页 |
| 4.6.1 在ASD-1000数据集上性能测试 | 第87-89页 |
| 4.6.2 在ECSSD-1000数据集上性能测试 | 第89-90页 |
| 4.6.3 在BSD-300数据集上性能测试 | 第90-91页 |
| 4.6.4 在ImgSal-50数据集上性能测试 | 第91-92页 |
| 4.6.5 评价显著性影响因素 | 第92-93页 |
| 4.6.6 不同空间分布方差的评价 | 第93-94页 |
| 4.6.7 执行时间对比 | 第94-95页 |
| 4.7 本章小结 | 第95-96页 |
| 第5章 基于显著性种子点和随机游走的物体分割算法 | 第96-112页 |
| 5.1 引言 | 第96-97页 |
| 5.2 算法概述 | 第97-98页 |
| 5.3 种子点的选取 | 第98-104页 |
| 5.3.1 基于显著性图像的种子点的生成 | 第98-100页 |
| 5.3.2 种子点区域特征提取 | 第100-103页 |
| 5.3.3 基于SVM的种子点重新分配 | 第103-104页 |
| 5.4 结合RANDOM WALK实现物体分割 | 第104-107页 |
| 5.5 基于数学形态学的后续处理 | 第107-108页 |
| 5.6 实验结果 | 第108-111页 |
| 5.6.1 种子点相关参数设置 | 第108-110页 |
| 5.6.2 定性与定量实验对比及分析 | 第110-111页 |
| 5.7 本章小结 | 第111-112页 |
| 结论 | 第112-114页 |
| 参考文献 | 第114-124页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第124-126页 |
| 致谢 | 第126-127页 |
| 作者简介 | 第127页 |
