基于纹理基元块的图像语义分割
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-22页 |
| ·研究背景和意义 | 第9-11页 |
| ·图像语义分割技术的国内外研究现状 | 第11-20页 |
| ·图像分割技术的研究现状 | 第11-16页 |
| ·图像语义分割的研究现状 | 第16-20页 |
| ·本文主要研究内容及组织结构 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第二章 图像底层特征提取 | 第22-30页 |
| ·颜色特征 | 第22-25页 |
| ·颜色直方图 | 第22-23页 |
| ·颜色矩 | 第23页 |
| ·颜色量化算法 | 第23-25页 |
| ·纹理特征 | 第25-27页 |
| ·形状特征 | 第27页 |
| ·关键点特征 | 第27-29页 |
| ·SIFT特征 | 第27-29页 |
| ·SURF特征 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第三章 纹理基元块的分割算法 | 第30-52页 |
| ·算法思路概述 | 第30-31页 |
| ·纹理基元特征表示 | 第31-35页 |
| ·高斯变换特征表示 | 第31-32页 |
| ·高斯-拉普拉斯变换特征表示 | 第32页 |
| ·高斯偏导变换特征表示 | 第32页 |
| ·纹理基元特征向量 | 第32-35页 |
| ·基于k-means创建纹理基元特征字典 | 第35-37页 |
| ·经典的k-means聚类算法 | 第35-36页 |
| ·采用改进的k-means创建特征字典 | 第36-37页 |
| ·采用k-d树建立像素点索引 | 第37-44页 |
| ·k-d树原理 | 第37-42页 |
| ·基于k-d树的像素点自动聚类 | 第42-44页 |
| ·实验结果 | 第44-51页 |
| ·分割效果分析 | 第45-49页 |
| ·算法对比分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 纹理基元块的语义映射 | 第52-64页 |
| ·基于SVM的特征模型语义学习 | 第52-55页 |
| ·纹理基元块的识别与合并 | 第55-57页 |
| ·实验结果 | 第57-62页 |
| ·定性对比分析 | 第57-60页 |
| ·定量对比分析 | 第60-62页 |
| ·本章小结 | 第62-64页 |
| 全文总结 | 第64-67页 |
| 主要结论 | 第64-65页 |
| 研究展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第74页 |
