首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

图像显著目标计算方法研究

摘要第3-5页
Abstract第5-6页
第一章 绪论第12-23页
    1.1 研究背景和意义第12-13页
    1.2 显著目标检测的应用第13-14页
    1.3 国内外研究现状第14-19页
        1.3.1 眼动点预测模型第15-16页
        1.3.2 RGB图像显著目标检测模型第16-17页
        1.3.3 RGB-D图像显著目标检测模型第17-19页
    1.4 本文主要工作与章节安排第19-23页
        1.4.1 本文主要工作与创新点第19-20页
        1.4.2 章节安排第20-23页
第二章 相关理论与算法第23-30页
    2.1 视觉注意机制第23-24页
    2.2 RGB图像与RGB-D图像第24-26页
        2.2.1 RGB图像第24页
        2.2.2 RGB-D图像第24-25页
        2.2.3 色彩空间的转换第25-26页
    2.3 SLIC超像素分割第26-28页
    2.4 先验知识第28-29页
        2.4.1 背景先验第28页
        2.4.2 中心先验第28-29页
        2.4.3 构图先验第29页
        2.4.4 深度先验第29页
    2.5 本章小结第29-30页
第三章 基于迭代对比的RGB图像显著目标检测第30-44页
    3.1 区域的迭代对比第31页
    3.2 本文方法第31-32页
    3.3 图模型和关联矩阵的构建第32-33页
    3.4 基于背景的迭代对比第33-35页
        3.4.1 背景标签第33-34页
        3.4.2 迭代对比第34-35页
    3.5 基于前景的迭代对比第35-37页
        3.5.1 前景标签第35-36页
        3.5.2 迭代对比第36-37页
    3.6 超像素内的像素级矫正第37页
    3.7 实验第37-42页
        3.7.1 实验计划第37-38页
        3.7.2 数据集第38页
        3.7.3 评价标准第38-39页
        3.7.4 本文方法评估第39页
        3.7.5 MSRA-1000数据集上比较第39-40页
        3.7.6 CSSD数据集上比较第40-41页
        3.7.7 ECSSD数据集上比较第41-42页
        3.7.8 质量比较第42页
    3.8 本章小结第42-44页
第四章 多角度融合的RGB-D图像显著目标检测第44-60页
    4.1 多角度融合第45-46页
    4.2 本文方法第46-47页
    4.3 颜色深度特征融合的图模型第47-49页
        4.3.1 颜色深度特征融合第47-48页
        4.3.2 图模型的构造第48-49页
    4.4 全局和局部融合的显著计算第49-51页
    4.5 背景和前景融合的显著优化第51-54页
        4.5.1 背景优化第51-53页
        4.5.2 前景优化第53-54页
    4.6 实验第54-59页
        4.6.1 实验计划第54页
        4.6.2 数据集第54-55页
        4.6.3 评估标准第55页
        4.6.4 参数分析第55-56页
        4.6.5 本文方法评估第56页
        4.6.6 与其他方法对比评估第56-57页
        4.6.7 质量比较第57-59页
        4.6.8 运行效率比较第59页
    4.7 本章小结第59-60页
第五章 显著目标检测在图像分类的应用第60-68页
    5.1 显著目标检测在图像分类的应用流程第60-61页
    5.2 图像分类相关知识第61-64页
        5.2.1 HOG特征第61页
        5.2.2 HOG特征的提取过程第61-63页
        5.2.3 支持向量机第63-64页
        5.2.4 多分类支持向量机第64页
    5.3 图像分类数据集第64-65页
    5.4 基于显著目标检测的图像分类第65-67页
        5.4.1 显著图计算第65页
        5.4.2 显著区域提取第65-66页
        5.4.3 图像分类方法第66页
        5.4.4 实验结果对比第66-67页
    5.5 本章小结第67-68页
第六章 总结与展望第68-71页
    6.1 工作总结第68-69页
    6.2 研究展望第69-71页
参考文献第71-76页
图表目录第76-78页
List of Figures and Tables第78-80页
致谢第80-81页
在读期间发表学术论文第81-82页
在读期间参与项目第82页

论文共82页,点击 下载论文
上一篇:基于特定环境中人群的运动特征分析系统
下一篇:JPEG图像的可逆信息隐藏算法研究