摘要 | 第10-12页 |
ABSTRACT | 第12-13页 |
第1章 绪论 | 第14-19页 |
1.1 研究背景及意义 | 第14-15页 |
1.2 研究现状 | 第15-16页 |
1.3 本文主要工作和创新点 | 第16-17页 |
1.4 各章节安排 | 第17-19页 |
第2章 图像的超像素分割 | 第19-35页 |
2.1 引言 | 第19页 |
2.2 超像素分割算法 | 第19-20页 |
2.3 现有的超像素生成算法 | 第20-32页 |
2.3.1 基于图割的超像素生成算法 | 第21-22页 |
2.3.2 基于K均值聚类的超像素生成算法 | 第22-24页 |
2.3.3 基于边界优化的超像素生成方法 | 第24-28页 |
2.3.4 基于扩散的超像素生成方法 | 第28-30页 |
2.3.5 深度图像的超像素生成 | 第30-32页 |
2.4 超像素生成算法的评价 | 第32-34页 |
2.4.1 边界贴合率BR | 第32页 |
2.4.2 欠分割率VSE | 第32-33页 |
2.4.3 分割准确性ASA | 第33页 |
2.4.4 规整性Co | 第33-34页 |
2.5 小结 | 第34-35页 |
第3章 基于泛洪策略的多约束超像素生成算法 | 第35-49页 |
3.1 引言 | 第35-36页 |
3.2 FCCS距离度量的定义 | 第36-38页 |
3.2.1 超像素分割问题以及基本符号定义 | 第36-37页 |
3.2.2 距离函数定义 | 第37-38页 |
3.3 基于泛洪策略的超像素生成 | 第38-45页 |
3.3.1 FCCS算法基本框架 | 第39页 |
3.3.2 种子点初始化 | 第39-40页 |
3.3.3 使用泛洪策略分割图像 | 第40-41页 |
3.3.4 优化种子点 | 第41-43页 |
3.3.5 算法细节讨论 | 第43-45页 |
3.4 实验结果与比较 | 第45-47页 |
3.4.1 定量比较 | 第45-47页 |
3.4.2 定性比较 | 第47页 |
3.5 小结 | 第47-49页 |
第4章 基于神经网络的抗纹理超像素生成方法 | 第49-67页 |
4.1 引言 | 第49-50页 |
4.2 距离函数定义 | 第50-56页 |
4.2.1 基本符号定义 | 第50页 |
4.2.2 距离函数定义 | 第50-52页 |
4.2.3 权重计算 | 第52-56页 |
4.3 纹理相关的超像素生成算法具体实现 | 第56-61页 |
4.3.1 算法概览 | 第57页 |
4.3.2 种子点初始化 | 第57-58页 |
4.3.3 迭代的超像素生成过程 | 第58-60页 |
4.3.4 迭代终止条件 | 第60-61页 |
4.4 实验结果 | 第61-65页 |
4.4.1 定量评估 | 第61-63页 |
4.4.2 定性评估 | 第63-65页 |
4.5 小结 | 第65-67页 |
第5章 针对室内场景RGB-D图像的超像素生成方法 | 第67-86页 |
5.1 引言 | 第67页 |
5.2 加权测地度量与超像素分割问题描述 | 第67-69页 |
5.2.1 加权测地度量的定义 | 第68-69页 |
5.2.2 问题能量化描述 | 第69页 |
5.3 超像素生成算法 | 第69-78页 |
5.3.1 算法概览 | 第70-71页 |
5.3.2 RGB-D图像去噪 | 第71-72页 |
5.3.3 构造三维网格 | 第72-73页 |
5.3.4 迭代的超像素生成 | 第73-78页 |
5.4 实验结果与应用 | 第78-84页 |
5.4.1 定性评估 | 第78-79页 |
5.4.2 定量评估 | 第79-80页 |
5.4.3 运行时间比较 | 第80-82页 |
5.4.4 与超面元生成方法的比较 | 第82-83页 |
5.4.5 将超像素生成算法应用到RGB-D图像分割 | 第83-84页 |
5.5 小结 | 第84-86页 |
第6章 结论 | 第86-88页 |
6.1 总结 | 第86-87页 |
6.2 展望 | 第87-88页 |
参考文献 | 第88-97页 |
致谢 | 第97-99页 |
攻读学位期间发表的学术论文目录 | 第99-100页 |
攻读学位期间参与科研项目情况 | 第100-101页 |
外文论文 | 第101-142页 |
学位论文评阅及答辩情况表 | 第142页 |