數字圖像視覺顯著性檢測、修覆與目標識別技術

第一章緒論
第一節計算機視覺技術002
第二節視覺註意機制研究現狀005
一、 元胞自動機的基本結構006
二、協同顯著性算法研究現狀010
第三節圖像修覆與目標檢測研究現狀013
一、圖像修覆的研究現狀013
二、目標檢測的研究現狀015

第二章基於PCNN的顯著性區域混合估計模型研究
第一節引言018
第二節顯著性濾波算法020
一、圖像預處理（abstraction）020
二、顏色獨立性度量（element uniqueness）021
三、空間顏色分佈度量（element distribution）022
四、生成顯著性圖（saliency assignment）023
五、算法魯棒性討論023
第三節基於PCNN的改進顯著性區域提取算法025
一、輸入單元026
二、連接調制單元027
三、點火脈沖單元027
第四節實驗結果及總結分析030
一、標準數據庫030
二、評價方案和指標031
三、標準數據庫實驗及分析033

第三章基於多尺度優化的顯著性目標細微區域檢測方法研究
第一節引言044
第二節元胞自動機模型045
一、元胞自動機的基本結構045
二、元胞自動機的應用047
第三節顯著性目標細微區域檢測算法047
一、暗通道先驗原始顯著性圖049
二、元胞自動機優化顯著性圖051
三、貝葉斯概率融合方法052
第四節實驗結果及分析054
一、DUTOMRON數據庫054
二、加權綜合F值評價方案055
三、數據庫實驗及分析058

第四章基於引導傳播和流形排序的協同顯著性檢測方法研究
第一節引言068
第二節基於流形排序的顯著性計算方法069
一、流形排序070
二、圖模型建立070
三、顯著性檢測071
第三節協同顯著性算法模型072
一、輸入圖像預處理074
二、圖像間顯著性傳播075
三、圖像內流形排序076
第四節實驗結果及分析078
一、協同顯著性數據庫078
二、定性和定量對比實驗078
三、算法參數討論086
四、算法模型獨立性分析087
五、算法執行效率088
六、真實場景圖像檢測和分割實驗088

第五章場內外特徵融合的水下殘缺圖像精細修覆
第一節常識性知識的檢索和嵌入092
第二節特徵融合094
第三節基於場內外特徵融合的水下殘缺圖像重構096
一、水下殘缺圖像重構模型096
二、粗修覆網絡096
三、精細修覆網絡097
四、損失函數099
第四節場內外特徵融合的水下殘缺圖像修覆結果與分析100
一、實驗設置100
二、定性評價實驗100
三、定量評價實驗104

第六章基於顯著環境特徵融合的水下遮擋目標精細重構
第一節對比學習108
第二節註意力機制110
第三節基於環境特徵融合的水下遮擋目標精細重構112
一、水下遮擋目標精細重構模型112
二、模型訓練與損失函數113
第四節基於環境特徵融合的水下遮擋目標重構實驗結果與分析114
一、實驗設置114
二、水下遮擋圖像重構模擬與結果分析114

第七章水下遮擋目標的識別
第一節基於遷移學習的水下遮擋目標識別122
一、遷移學習介紹123
二、基於自適應多特徵集成遷移學習模型123
三、基於遷移學習的水下遮擋目標識別124
第二節基於融合顯著環境特徵的水下遮擋目標識別125
一、特徵提取126
二、交互作用128
三、目標識別及損失函數129
四、基於融合顯著環境特徵的水下遮擋目標識別模擬與結果分析130
第三節基於兩階段圖像重構策略的水下遮擋目標識別136
一、自適應邊界回歸的目標識別模型136
二、基於兩階段圖像重構策略的水下遮擋目標識別模擬與結果分析139

第八章應用案例
第一節顯著性檢測在機器人目標抓取任務中的典型應用案例144
一、服務機器人平臺介紹144
二、基於顯著性檢測的空間障礙物感知策略148
三、基於協同顯著性檢測的空間物體檢測與定位方法151
第二節水下目標識別在AUV場景感知任務中的典型應用案例155
一、水下機器人的研究現狀155
二、圖像處理技術在水下機器人領域的應用現狀156
三、機器人調試與水下圖像識別157
第三節輕量級顯著性檢測在肉品智能化加工中的經典應用案例157
一、輕量級顯著性檢測研究現狀157
二、國內外肉品智能化加工機器人技術發展狀況158
三、基於輕量化顯著性檢測的畜類肉品骨骼在線定位160
第四節總結與展望162
一、總結162
二、展望165

參考文獻