| 目录 | 第1-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引论 | 第7-16页 |
| ·研究动机 | 第7-8页 |
| ·相关工作 | 第8-11页 |
| ·自然边界的统计特性 | 第8-9页 |
| ·前景分割的生理模型 | 第9页 |
| ·前景分割的计算模型 | 第9-10页 |
| ·相关工作的局限性 | 第10-11页 |
| ·前景分割的脑机制 | 第11-13页 |
| ·本文的方法 | 第13-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第二章 前景分割的MARKOV随机场模型 | 第16-23页 |
| ·问题的定义 | 第16-18页 |
| ·本文模型 | 第18-19页 |
| ·MARKOV随机场模型的解法选择 | 第19-20页 |
| ·TREE-REWEIGHTED MESSAGE PASSING算法 | 第20-21页 |
| ·信息整合算法 | 第21-22页 |
| ·本章算法的生物可行性 | 第22-23页 |
| 第三章 局部图像特征抽取 | 第23-30页 |
| ·简单神经元、复杂神经元和超复杂神经元 | 第23-24页 |
| ·简单和复杂细胞的建模:灰度边缘检测 | 第24-25页 |
| ·超复杂细胞建模:曲率检测 | 第25-27页 |
| ·超复杂细胞建模:纹理分析 | 第27-30页 |
| 第四章 前景分割的优化目标 | 第30-36页 |
| ·本章的方法 | 第30页 |
| ·GESTALT知觉组织原则 | 第30-31页 |
| ·GESTALT知觉组织原则的建模 | 第31-33页 |
| ·先验概率:闭合律和连续律的定量分析 | 第31-32页 |
| ·条件概率:相似律的定量分析 | 第32-33页 |
| ·前景显著性 | 第33-34页 |
| ·接近律 | 第34页 |
| ·MARKOV随机场的平滑和数据代价 | 第34-36页 |
| 第五章 实验结果 | 第36-40页 |
| ·数据来源 | 第36页 |
| ·错觉图像的模型解释 | 第36-37页 |
| ·半自动前景分割 | 第37-38页 |
| ·自动前景分割 | 第38-40页 |
| 第六章 讨论 | 第40-43页 |
| ·本文的主要结论 | 第40页 |
| ·与相关算法的比较 | 第40-41页 |
| ·基于谱分割的方法 | 第40-41页 |
| ·基于高斯混合模型的Markov随机场方法 | 第41页 |
| ·基于学习模型的方法 | 第41页 |
| ·本文未解决的问题 | 第41-43页 |
| ·反馈连接的作用 | 第41-42页 |
| ·快速颜色分割系统的参与 | 第42页 |
| ·高级区域的参与 | 第42-43页 |
| 附录 | 第43-49页 |
| Ⅰ 目标函数的非子模块性 | 第43页 |
| Ⅱ 图像的GAUSSIAN曲率 | 第43-44页 |
| Ⅲ BERKELEY分割数据集的加工 | 第44-49页 |
| 参考文献 | 第49-54页 |
| 后记 | 第54-55页 |