摘要
Abstract
第一章 引言
1.1 前景提取介绍
1.2 前景提取模型
1.3 快速前景提取简介
1.4 神经元网络前景提取简介
1.5 本文结构安排
第二章 相关概念和理论
2.1 Trimap和Scribble
2.2 Lab颜色空间
2.3 人工神经元网络
2.4 膨胀和腐蚀
2.4.1 膨胀
2.4.2 腐蚀
2.4.3 膨胀和腐蚀的组合
第三章 前景提取研究现状
3.1 蓝屏前景提取(Blue Screen Matting)
3.2 贝叶斯前景提取(Bayesian matting)
3.3 鲁棒性前景提取(robust matting)
3.3.1 α值估计
3.3.2 α值优化
3.3.3 定量评估方案
3.4 软剪刀方法(Soft Scissors)
3.5 基于学习的前景提取算法(Learning Based Digital Matting)
3.5.1 通过学习估计α值矩阵
3.5.2 局部模型
3.5.3 全局模型
3.5.4 实验结果
3.6 小结
第四章 快速前景提取
4.1 快速前景提取的扩张方法
4.2 Alpha值的计算
4.3 实验结果
4.4 小结
第五章 神经元网络前景提取
5.1 学习相关的前景提取算法简介
5.2 神经元网络和回归问题
5.3 基于分块的神经元网络前景提取
5.3.1 图像分块
5.3.2 选取前景样本点和背景样本点
5.3.3 训练神经元网络
5.4 全局神经元网络前景提取
5.5 基于分块的方法与全局方法的比较和分析
5.6 Alpha矩阵优化
5.7 实验和讨论
5.7.1 基于分块的前景提取算法Vs.全局前景提取算法
5.7.2 神经元网络前景提取算法Vs.传统前景提取算法
5.7.3 神经元网络前景提取的一个应用场景——树的提取
5.8 小结
第六章 神经元网络前景提取算法在视频前景提取中的应用
6.1 现状与挑战
6.2 神经元网络前景提取算法的优势
6.3 实时视频前景提取流程
6.3.1 预处理阶段
6.3.2 训练阶段
6.3.3 正式阶段
6.4 小结
第七章 总结和展望
参考文献
论文发表情况
致谢
