基于视觉显著性的图像分割

**章 绪论 1 1.1 研究背景与意义 1 1.2 国内外研究现状综述 4 1.2.1 目标显著性检测方法 4 1.2.2 基于图论的图像分割方法 6 1.2.3 多示例学习方法 17 1.3 本文的主要研究内容和章节安排 18 第二章 图像显著特征与相似性度量分析 21 2.1 图像显著特征分析 21 2.1.1 底层特征 22 2.1.2 中高层语义特征 29 2.2 相似性度量分析 31 2.2.1 相似性计算模型 31 2.2.2 相似性度量 39 2.3 本章小结 41 第三章 基于多示例学习的图像目标显著性特征检测 43 3.1 显著性特征的检测 43 3.1.1 图像的预处理 44 3.1.2 亮度梯度特征 45 3.1.3 色彩梯度特征 51 3.1.4 纹理梯度特征 52 3.1.5 图像的边界镜像 54 3.2 基于多示例学习的显著性检测 55 3.2.1 BagSVM算法 56 3.2.2 InsSVM算法 57 3.2.3 APR算法 58 3.2.4 EMDD算法 59 3.3 基于多示例学习的显著性检测实验结果分析 60 3.3.1 实验结果对比分析 60 3.3.2 算法性能对比分析 70 3.4 本章小结 72 第四章 基于图割优化的显著性目标分割方法 74 4.1 图的基本概念 75 4.2 基于图割优化的图像显著性目标分割方法 78 4.2.1 自适应图像层次分割方法 78 4.2.2 基于图割优化的图像显著性目标分割方法 80 4.2.3 图像分割质量评价指标分析 86 4.2.4 实验结果对比分析 90 4.3 本章小结 101 第五章 基于多示例学习与图割优化的弱对比度车辆目标分割算法 102 5.1 基于机器视觉的道路交通信息采集与检测系统 103 5.2 基于多示例学习与图割优化的弱对比度车辆目标分割算法 104 5.2.1 车辆目标特征分析 104 5.2.2 算法具体步骤 106 5.3 算法实验与评价 108 5.3.1 算法实验过程 108 5.3.2 实验结果对比 114 5.3.3 算法评价分析 116 5.4 本章小结 118 第六章 结论与展望 119 参考文献 122 致谢 138