摘要 | 第5-6页 |
Abstract | 第6页 |
目录 | 第7-9页 |
第1章 绪论 | 第9-15页 |
1.1 自然图像抠像技术概述 | 第9-13页 |
1.2 本文研究的问题和工作 | 第13-14页 |
1.3 符号说明 | 第14-15页 |
第2章 预备知识 | 第15-21页 |
2.1 高斯混合模型(GMM) | 第15-16页 |
2.1.1 单高斯模型(SGM) | 第15-16页 |
2.1.2 高斯混合模型 | 第16页 |
2.2 图割介绍 | 第16-17页 |
2.3 图像的数学描述 | 第17-18页 |
2.4 三分图 | 第18-19页 |
2.5 超像素 | 第19-21页 |
第3章 基于核函数模型的抠像方法 | 第21-37页 |
3.1 核函数 | 第21-23页 |
3.2 几种常用核函数介绍 | 第23-25页 |
3.3 基于核函数抠像方法的数学模型 | 第25-27页 |
3.4 基于图割的能量函数最小化方法 | 第27-37页 |
3.4.1 图可替代 | 第27-28页 |
3.4.2 能量函数最小化 | 第28-31页 |
3.4.3 前景和背景图像重建 | 第31-32页 |
3.4.4 能量函数最小化快速算法 | 第32-37页 |
第4章 基于迭代边界搜索的抠像方法 | 第37-43页 |
4.1 闭合解抠像方法介绍 | 第38-40页 |
4.2 基于迭代边界搜索的抠像方法 | 第40-43页 |
4.2.1 图像边界搜索 | 第41-42页 |
4.2.2 迭代边界搜索抠像方法 | 第42-43页 |
第5章 基于显著性检测的自动抠像方法 | 第43-49页 |
5.1 Spectral Matting 抠像方法介绍 | 第43-44页 |
5.2 基于显著性检测的自动抠像方法 | 第44-49页 |
5.2.1 Saliency Detection via Graph-Based Manifold Ranking | 第44-46页 |
5.2.2 基于显著性检测的自动抠像方法 | 第46-49页 |
第6章 数值实验 | 第49-54页 |
结论 | 第54-56页 |
参考文献 | 第56-59页 |
致谢 | 第59页 |