| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·课题研究背景及意义 | 第8-12页 |
| ·图像分割 | 第8-9页 |
| ·基于纹理分析的图像分割 | 第9-11页 |
| ·图像分割的研究现状及其意义 | 第11-12页 |
| ·内容与组织结构 | 第12-14页 |
| 2 图像的纹理特征 | 第14-22页 |
| ·纹理定义 | 第14页 |
| ·常见纹理特征提取方法 | 第14-16页 |
| ·灰度共生矩阵 | 第14-15页 |
| ·十字对角纹理矩阵 | 第15-16页 |
| ·局部二值模式 | 第16页 |
| ·基于Gabor小波变换的纹理特征提取 | 第16-20页 |
| ·Gabor函数 | 第17-18页 |
| ·Gabor小波 | 第18-19页 |
| ·多通道Gabor滤波器组设计 | 第19-20页 |
| ·纹理特征分类方法 | 第20-22页 |
| 3 基于GMM聚类的纹理分割算法 | 第22-28页 |
| ·聚类算法 | 第22页 |
| ·GMM模型的定义 | 第22-23页 |
| ·EM算法 | 第23-25页 |
| ·EM算法原理 | 第23-25页 |
| ·EM算法初始化方法 | 第25页 |
| ·基于GMM模型聚类的纹理分割算法 | 第25-28页 |
| ·算法设计 | 第25-27页 |
| ·仿真实验 | 第27-28页 |
| 4 基于LS-SVM分类的纹理分割算法 | 第28-40页 |
| ·支持向量机理论 | 第28-32页 |
| ·最优超平面 | 第28-29页 |
| ·核函数 | 第29-32页 |
| ·支持向量机的分类算法 | 第32-34页 |
| ·二值分类支持向量机 | 第32页 |
| ·多值分类支持向量机 | 第32-34页 |
| ·最小二乘支持向量机分类算法 | 第34-37页 |
| ·最小二乘支持向量机分类原理 | 第34-36页 |
| ·最小二乘支持向量机分类器的参数选择 | 第36-37页 |
| ·基于LS-SVM分类的纹理分割方法 | 第37-40页 |
| ·算法设计 | 第37-38页 |
| ·仿真实验 | 第38-40页 |
| 5 综合Gabor小波，GMM聚类和LS-SVM分类的改进纹理图像分割 | 第40-48页 |
| ·特征提取 | 第40-41页 |
| ·Gabor小波变换 | 第40-41页 |
| ·特征向量优化 | 第41页 |
| ·分割过程 | 第41-44页 |
| ·GMM模型聚类 | 第41-42页 |
| ·LS-SVM分类 | 第42-44页 |
| ·仿真实验 | 第44-48页 |
| 6 改进算法在实际中的应用 | 第48-53页 |
| ·在石料图像识别中的应用 | 第48-49页 |
| ·算法的优化 | 第48-49页 |
| ·仿真实验 | 第49页 |
| ·在数字文档图像中的应用 | 第49-53页 |
| ·算法的优化 | 第49-50页 |
| ·仿真实验 | 第50-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-59页 |