图1-2 超像素级采样造成的最优前景/背景像素对丢失的例子
图1-3 像素级多目标全局采样算法与先进抠图像素采样算法定量比较实验结果
图1-4 像素级多目标全局采样算法与其他两个先进像素采样算法获得的像素样本分布对比
图1-5 不同抠图算法获得的抠图透明度遮罩的比较
图1-6 基于像素级多目标全局采样的抠图算法的局限性
图1-7 多准则评价函数中单个评价项提供启发式信息引导启发式优化算法跳出局部最优解逼近全局最优解的例子
图1-8 前景、背景像素空间距离准则不能同时满足的例子
图1-11 使用不同评价方法选择最优像素对所获得的抠图透明度遮罩
图1-12 基于模糊多准则评价与分解的多目标协同优化抠图算法与现有抠图算法获得的抠图透明度遮罩对比
图1-17 分层抠图模型的伪代码
图1-18 分层抠图模型的伪代码
图1-28 基于全自动抠图的红外图像行人预处理的深度神经网络分类算法和经典的神经网络分类算法在LSI数据集上获得的ROC曲线对比
图1-29 基于全自动抠图的红外图像行人预处理的深度神经网络分类算法和经典的神经网络分类算法在RIFIR数据集上获得的ROC曲线对比
图1-30 基于全自动抠图的红外图像行人预处理的深度神经网络分类算法和经典的神经网络分类算法在KAIST数据集上获得的ROC曲线对比
图1-31 基于全自动抠图的红外图像行人预处理算法与两个现有的红外图像行人增强方法的预处理结果比较
图1-32 基于全自动抠图增强的红外图像行人分类算法分类错误的例子
图4-5 各个算法求解15-目标WFG7和WFG7-1测试问题的最终解集
图4-11 MOEA/D-EoD、MOEA/D和SATVaEA求解四个典型3-目标问题的最终解集
图5-3 样本点及其曲面拟合结果图
