●前言
第1章 顯著目標檢測
1.1 概述
1.2 受人類視覺繫統啟發的顯著目標檢測
1.2.1 視覺注機制
1.2.2 顯著目標檢測的神經生物機制
1.2.3 顯著目標檢測的心理物理學機制
1.3 顯著目標檢測算法
1.3.1 基於自底向上的顯著目標檢測算法
1.3.2 基於頂向下的顯著目標檢測算法
1.4 定位顯著目標的方法
1.4.1 基於像素級的方法
1.4.2 基於特征級的方法
1.4.3 基於決策級的方法
參考文獻
第2章 基於像素級非線性融合的夜間圖像顯著目標檢測
2.1 頻域空域融合的方法
2.1.1 顯著目標檢測算法
2.1.2 頻城和空域顯著目標檢測方法相關工作
2.1.3 顯著目標檢測模型
2.1.4 實驗
2.1.5 總結
2.2 基於超像素的全局對比度驅動方法
2.2.1 基於超像素的全局對比度驅動的顯著日標檢測算法
2.2.3 總結
2.3 基於局部-全局對比度的多尺度超像素級顯著目標檢測模型
2.3.1 多尺度特征提取
2.3.2 暗通道驗
2.3.3 中心先驗
2.3.4 顯著圖融合
2.3.5 實驗結果
2.3.6 總結
參考文獻
第3章 基於特征級非線性融合的夜間圖像顯著目標檢測
3.1 基於局部-全局超像素協方差的顯著目標檢測模型
3.1.1 局部和全局超像素協方差估計
3.1.2 基於圖的流形序
3.1.3 基於特征的區域協方差
3.1.4 基於協方差的顯著性估計
3.1.5 基於擴散的顯著性優化
3.1.6 實驗
3.1.7 總結
3.2 低對比度圖像中顯著目標檢測的層次特征融合方法
3.2.1 視覺特征提取
3.2.2 自適應多特征融合
3.2.3 實驗結果
3.2.4 總結
第4章 基於決策級非線性融合的夜間圖像顯著目標檢測及顯著目標檢測
4.1 低對比度圖像的顯著特征中的顯著日標檢測
4.1.1 本節提出的顯著日標檢測模型
4.1.2 實驗結果
4.1.3 總結
4.2 基於協方差卷積神經網絡的低對比度圖像顯著目標檢測模型
4.2.1 本節提出的模型
4.2.2 實驗結果
4.2.3 總目標檢測
參考文獻
第5章 基於非線性融合夜間圖像顯著目標檢測的應用
5.1 目標跟蹤
5.2 目標檢測
5.3 目標識別
5.4 行人重
5.5 圖像檢索
參考文獻

本書通過對視覺認知的兩種模式自底向上的顯著目標檢測模型和自頂向下顯著目標檢測模型的研究發現，底層視覺刺激可以注意資源的分配，而頂層的視覺感知和先驗知識又能很好地指導視覺顯著目標的檢測，將兩者相結合可以提高檢測效率。本書采用自底向上與自頂向下相結合的視覺信息加工模式，同時將場景圖像的局部特征與全局特征並行加工處理，通過特征融合實現夜間場景圖像的顯目標檢測。基於非線性融合的夜間圖像顯著目標檢測算法由底層傳統方法逐步過渡到頂層深度學習方法，為夜間圖像的顯著目標檢測提供了良好指導，書中詳細分析每種算法的細節及優缺點。 本書可供計算機專業，特別是視頻，圖像處理方向的師生及研究人員。