| 第1章 绪论 | 第1-19页 |
| 1．1 图象分割现状及存在问题 | 第11-14页 |
| 1．2 模糊聚类及其在图象分割中的意义和作用 | 第14-15页 |
| 1．3 神经网络及其在图象分割中的意义和作用 | 第15-17页 |
| 1．3 本文的主要研究成果及内容安排 | 第17-19页 |
| 第2章 本文纹理分割模型及分割特征提取 | 第19-37页 |
| 2．1 纹理图象分割模型 | 第19-22页 |
| 2．1．1 引言 | 第19-20页 |
| 2．1．2 基于人类视觉机理的空间／空间频率特征提取及分割 | 第20-21页 |
| 2．1．3 一种有效的纹理分割模型 | 第21-22页 |
| 2．2 多分辨率多通道纹理特征提取 | 第22-30页 |
| 2．2．1 引言 | 第22-23页 |
| 2．2．2 使用2D最佳正交极可分方向滤波器提取纹理特征 | 第23-26页 |
| 2．2．3 使用小波变换提取纹理特征 | 第26-30页 |
| 2．3 一种利用不完全树结构小波变换的纹理特征提取方法 | 第30-34页 |
| 2．4 局部统计值特征的改进 | 第34-36页 |
| 2．5 小结 | 第36-37页 |
| 第3章 模糊聚类算法研究及在纹理分割中的应用 | 第37-61页 |
| 3．1 聚类分析与模糊聚类 | 第37-39页 |
| 3．2 模糊C均值聚类算法 | 第39-43页 |
| 3．2．1 数据集合的硬C-划分空间和模糊C-划分空间 | 第39-40页 |
| 3．2．2 硬C均值聚类算法（HCM） | 第40-41页 |
| 3．2．3 模糊C均值聚类算法（FCM） | 第41-43页 |
| 3．3 半模糊C均值聚类算法 | 第43-45页 |
| 3．4 一种基于修正Euclidean距离的半模糊C均值聚类算法 | 第45-53页 |
| 3．4．1 基于修正Euclidean距离的半模糊C均值聚类算法（ssFCM） | 第45-51页 |
| 3．4．2 实验及结论 | 第51-53页 |
| 3．5 部分监督加权模糊C均值算法 | 第53-60页 |
| 3．5．1 部分监督模糊C均值算法（ssFCM） | 第53-55页 |
| 3．5．2 部分监督加权模糊C均值算法（pswFCM） | 第55-58页 |
| 3．5．3 实验及结论 | 第58-59页 |
| 3．5．4 基于部分监督加权FCM聚类算法的纹理分割实验 | 第59-60页 |
| 3．6 小结 | 第60-61页 |
| 第4章 模糊聚类神经网络研究及在纹理分割中的应用 | 第61-92页 |
| 4．1 Kohonen自组织特征映射（SOFM） | 第61-62页 |
| 4．2 Kohonen聚类神经网络（KCN） | 第62-65页 |
| 4．3 模糊Kohonen聚类神经网络（FKCN） | 第65-67页 |
| 4．3．1 模糊Kohonen聚类神经网络模型 | 第65页 |
| 4．3．2 模糊竞争学习算法 | 第65-66页 |
| 4．3．3 模糊Kohonen聚类神经网络（FKCN）算法 | 第66-67页 |
| 4．4 一种改进的模糊Kohonen聚类神经网络（IFKCN1） | 第67-72页 |
| 4．4．1 FKCN用于纹理分割时存在的问题 | 第67-68页 |
| 4．4．2 一种改进的模糊Kohonen聚类神经网络（IFKCN1）算法 | 第68-70页 |
| 4．4．3 实验及结论 | 第70-72页 |
| 4．5 一种基于模糊减弱算子的模糊Kohonen聚类神经网络（IFKCN2） | 第72-74页 |
| 4．5．1 模糊减弱算子的引入 | 第72-73页 |
| 4．5．2 IFKCN2算法及其实验结果 | 第73-74页 |
| 4．6 基于IFKCN的有效的纹理分割方法 | 第74-76页 |
| 4．6．1 纹理分割策略 | 第74-75页 |
| 4．6．2 纹理分割实验 | 第75-76页 |
| 4．7 基于模糊矢量量化网络的纹理分割 | 第76-85页 |
| 4．7．1 矢量量化与图象分割 | 第76-77页 |
| 4．7．2 学习矢量量化竞争学习网络（LVQ） | 第77-79页 |
| 4．7．3 一种误差测度加权模糊矢量量化学习算法及在纹理分割中的应用 | 第79-85页 |
| 4．8 基于多分辨率层次模糊聚类网络的纹理分割 | 第85-90页 |
| 4．8．1 引言 | 第85页 |
| 4．8．2 基于多分辨率层次模糊聚类网络的纹理分割 | 第85-87页 |
| 4．8．3 基于多层模糊聚类网络的纹理分割 | 第87-90页 |
| 4．8．4 结论 | 第90页 |
| 4．9 小结 | 第90-92页 |
| 第5章 自适应模糊聚类神经网络及在纹理分割中的应用 | 第92-108页 |
| 5．1 引言 | 第92-94页 |
| 5．2 模糊聚类的聚类有效性函数 | 第94-104页 |
| 5．2．1 基于数据集的模糊划分的聚类有效性函数 | 第94-96页 |
| 5．2．2 基于数据集的几何结构的聚类有效性函数 | 第96-98页 |
| 5．2．3 一种基于模糊分离性和紧致性的聚类有效性函数 | 第98-101页 |
| 5．2．4 一种基于Fisher距离的聚类有效性函数 | 第101-104页 |
| 5．3 一种自适应模糊聚类神经网络及在图文分割中的应用 | 第104-107页 |
| 5．3．1 网络结构 | 第104页 |
| 5．3．2 自适应模糊聚类神经网络学习算法 | 第104-105页 |
| 5．3．3 文档页面（图文）分割 | 第105页 |
| 5．3．4 基于自适应模糊聚类神经网络的文档页面分割 | 第105-107页 |
| 5．4 小结 | 第107-108页 |
| 第6章 总结 | 第108-111页 |
| 致谢 | 第111-112页 |
| 参考文献 | 第112-126页 |
| 附录： 攻读博士学位期间所做工作及发表的论文 | 第126-127页 |
