| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 经典算法及研究现状 | 第7-10页 |
| 1.2.1 自底向上的显著性检测算法 | 第8-9页 |
| 1.2.2 自顶向下的显著性检测算法 | 第9-10页 |
| 1.3 全文章节安排 | 第10-12页 |
| 2 相关知识及研究 | 第12-19页 |
| 2.1 图像过分割 | 第12-15页 |
| 2.1.1 SLIC超像素 | 第12-14页 |
| 2.1.2 框候选样本 | 第14页 |
| 2.1.3 目标候选样本 | 第14-15页 |
| 2.2 研究现状及存在的问题 | 第15-17页 |
| 2.2.1 基于图模型的显著性检测 | 第16页 |
| 2.2.2 基于先验知识的显著性检测 | 第16-17页 |
| 2.2.3 基于候选样本的显著性检测 | 第17页 |
| 2.3 本文工作及主要贡献 | 第17-19页 |
| 3 目标候选样本评价 | 第19-25页 |
| 3.1 图像预处理 | 第19页 |
| 3.2 评价指标 | 第19-25页 |
| 3.2.1 中心周围对比度 | 第19-20页 |
| 3.2.2 均匀一致性 | 第20页 |
| 3.2.3 全局边界一致性 | 第20-21页 |
| 3.2.4 局部边界一致性 | 第21-23页 |
| 3.2.5 位置先验 | 第23-25页 |
| 4 基于目标候选样本选择的显著性检测 | 第25-34页 |
| 4.1 目标候选样本 | 第25页 |
| 4.2 粗选择 | 第25-27页 |
| 4.3 精选择 | 第27-31页 |
| 4.3.1 优化部分AUC的结构化分类器 | 第27-30页 |
| 4.3.2 训练与实现 | 第30-31页 |
| 4.4 优化 | 第31-34页 |
| 5 实验结果与分析 | 第34-51页 |
| 5.1 数据库介绍 | 第34-35页 |
| 5.2 测评方法介绍 | 第35-37页 |
| 5.2.1 准确率-召回率（P-R）曲线 | 第36页 |
| 5.2.2 准确率-召回率-F-measure柱状图 | 第36-37页 |
| 5.2.3 AUC值 | 第37页 |
| 5.3 本文算法分析 | 第37-41页 |
| 5.3.1 参数设置 | 第38页 |
| 5.3.2 评价指标分析 | 第38-39页 |
| 5.3.3 分类器选择 | 第39页 |
| 5.3.4 由粗到精选择性能比较 | 第39-41页 |
| 5.3.5 超像素优化 | 第41页 |
| 5.4 本文算法与其他现有算法比较 | 第41-49页 |
| 5.4.1 定量评测 | 第42-48页 |
| 5.4.2 定性评测 | 第48-49页 |
| 5.5 算法局限性 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |