视觉注意显著性检测和多焦距图像信息融合问题研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 发展与现状 | 第11-12页 |
| 1.2.1 显著性检测的发展与现状 | 第11-12页 |
| 1.2.2 图像信息融合发展与现状 | 第12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 章节结构安排 | 第13-14页 |
| 第二章 研究基础及相关基本理论 | 第14-28页 |
| 2.1 改进的拉普拉斯金字塔理论 | 第14-15页 |
| 2.1.1 经典的拉氏金字塔分解理论 | 第14-15页 |
| 2.1.2 改进的拉氏金字塔重构理论 | 第15页 |
| 2.2 均值偏移相关理论 | 第15-16页 |
| 2.3 图像分解的基本模型 | 第16-19页 |
| 2.3.1 M‐S模型 | 第17-18页 |
| 2.3.2 ROF模型 | 第18页 |
| 2.3.3 VO模型和OSV模型 | 第18-19页 |
| 2.4 显著性检测与多源图像信息融合理论 | 第19-27页 |
| 2.4.1 视觉注意与视觉显著性 | 第19-20页 |
| 2.4.2 显著性检测经典模型与应用 | 第20-21页 |
| 2.4.3 图像信息融合基本理论 | 第21-24页 |
| 2.4.4 图像信息融合质量评估标准 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 一种新的显著性检测算法 | 第28-41页 |
| 3.1 问题引入 | 第28-29页 |
| 3.2 基于均值偏移的像素聚类 | 第29页 |
| 3.3 新的图像显著性检测模型 | 第29-31页 |
| 3.3.1 概率密度函数 | 第29-30页 |
| 3.3.2 新的显著性检测模型 | 第30-31页 |
| 3.4 显著性检测模型的实验与分析 | 第31-40页 |
| 3.4.1 参评对比算法的选择 | 第31页 |
| 3.4.2 用于实验评测的数据集 | 第31-32页 |
| 3.4.3 用于实验评测的评估指标 | 第32-36页 |
| 3.4.4 实验结果与分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于图像分解的多焦距图像信息融合 | 第41-58页 |
| 4.1 引言 | 第41页 |
| 4.2 Split Bregman分解算法 | 第41-43页 |
| 4.3 新的图像信息融合算法 | 第43-52页 |
| 4.3.1 算法原理与框架 | 第43-45页 |
| 4.3.2 图像显著性图谱提取 | 第45-47页 |
| 4.3.3 结构成分分解 | 第47-49页 |
| 4.3.4 影响域修正矩阵 | 第49-50页 |
| 4.3.5 图像信息融合规则 | 第50-52页 |
| 4.4 实验结果与分析 | 第52-57页 |
| 4.4.1 实验设置 | 第52页 |
| 4.4.2 性能比较 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 论文主要工作总结 | 第58-59页 |
| 5.2 后续研究展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 作者简介及在学期间所取得的科研成果 | 第65-66页 |
| 致谢 | 第66页 |
