RGBD图像共分割算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 图像共分割的研究现状 | 第11-13页 |
| 1.2.2 RGBD图像分割的研究现状 | 第13-14页 |
| 1.3 本文研究工作 | 第14-15页 |
| 1.4 本文的安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 相关工作 | 第17-30页 |
| 2.1 基于Biased Ncuts的图像分割 | 第17-22页 |
| 2.1.1 图的表示及概念 | 第17-19页 |
| 2.1.2 基于图割的图像分割 | 第19-22页 |
| 2.2 超像素分割算法 | 第22-25页 |
| 2.2.1 算法分类 | 第23页 |
| 2.2.2 SLIC算法介绍 | 第23-25页 |
| 2.2.3 基于超像素的图像分割 | 第25页 |
| 2.3 显著性检测算法 | 第25-29页 |
| 2.3.1 基于对比度的检测算法 | 第26-27页 |
| 2.3.2 基于深度图的检测算法 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 RGBD图像的超像素分割方法 | 第30-41页 |
| 3.1 深度图像预处理 | 第30-33页 |
| 3.1.1 空洞产生的原因 | 第30-31页 |
| 3.1.2 空洞的填补方式 | 第31-33页 |
| 3.2 融合深度信息的超像素分割 | 第33-37页 |
| 3.2.1 颜色-深度信息关联度 | 第33-35页 |
| 3.2.2 相似度的度量规则 | 第35-36页 |
| 3.2.3 RGBD超像素分割算法 | 第36-37页 |
| 3.3 实验结果及分析 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 结合显著性检测的种子点扩散 | 第41-47页 |
| 4.1 半交互种子点选取 | 第41-42页 |
| 4.2 种子点数对分割结果影响 | 第42-43页 |
| 4.3 种子点扩散 | 第43-44页 |
| 4.4 实验结果及分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 基于图割的RGBD图像共分割算法 | 第47-59页 |
| 5.1 算法框架 | 第47-48页 |
| 5.2 结合超像素的图模型构造 | 第48-50页 |
| 5.2.1 特征的选取 | 第48-49页 |
| 5.2.2 构造权重矩阵 | 第49-50页 |
| 5.2.3 特征值与特征向量 | 第50页 |
| 5.3 偏向种子区域的前景提取 | 第50-52页 |
| 5.3.1 Biased Ncuts原理 | 第50-51页 |
| 5.3.2 结合种子向量的图像共分割 | 第51-52页 |
| 5.4 结合深度图像的共分割结果优化 | 第52-53页 |
| 5.5 实验结果及分析 | 第53-58页 |
| 5.5.1 主观评价 | 第53-57页 |
| 5.5.2 客观评价 | 第57-58页 |
| 5.6 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
