局部与全局约束相结合的图像分割方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 基于局部约束的图像分割方法 | 第11-13页 |
| 1.2.2 全局约束在图像分割中的作用 | 第13-14页 |
| 1.2.3 基于局部与全局约束相结合的分割方法 | 第14-15页 |
| 1.3 本文的工作与组织 | 第15-18页 |
| 2 基于概率图模型的图像分割技术 | 第18-26页 |
| 2.1 概率图模型发展历程 | 第18-19页 |
| 2.2 概率图模型简介 | 第19-22页 |
| 2.2.1 马尔科夫随机场 | 第19-21页 |
| 2.2.2 条件随机场 | 第21-22页 |
| 2.3 图模型求解 | 第22-26页 |
| 2.3.1 参数估计 | 第22-23页 |
| 2.3.2 模型推断 | 第23-26页 |
| 3 基于深度学习的形状先验研究 | 第26-36页 |
| 3.1 深度学习发展历程 | 第26-27页 |
| 3.2 深度学习模型理论 | 第27-34页 |
| 3.2.1 受限的玻尔兹曼机 | 第27-29页 |
| 3.2.2 深度置信网络 | 第29-30页 |
| 3.2.3 卷积神经网络 | 第30-32页 |
| 3.2.4 形状玻尔兹曼机 | 第32-34页 |
| 3.3 基于ShapeBM的形状先验 | 第34-36页 |
| 4 结合CRF与ShapeBM形状先验的图像分割 | 第36-51页 |
| 4.1 条件随机场的基本势能 | 第36-43页 |
| 4.1.1 基于超像素特征的一元势能 | 第37-42页 |
| 4.1.2 二元势能 | 第42-43页 |
| 4.2 CRF结合ShapeBM形状先验 | 第43-46页 |
| 4.3 联合模型训练与推断 | 第46-51页 |
| 5 图像分割实验 | 第51-58页 |
| 5.1 实验数据集 | 第51页 |
| 5.2 实验结果与分析 | 第51-57页 |
| 5.2.1 图像前景背景分割 | 第53-56页 |
| 5.2.2 图像多类分割 | 第56-57页 |
| 5.3 算法复杂度分析 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 研究工作总结 | 第58页 |
| 6.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 在学研究成果 | 第66-67页 |
| 致谢 | 第67页 |
