基于多特征的图像分割方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-12页 |
| ·研究背景和意义 | 第8-10页 |
| ·图像分割算法研究现状 | 第10-11页 |
| ·本文的主要工作和行文结构 | 第11-12页 |
| 2 图像分割概述 | 第12-21页 |
| ·图像分割定义 | 第12页 |
| ·图像分割方法简介 | 第12-17页 |
| ·阈值分割法 | 第12-13页 |
| ·基于边缘检测的分割方法 | 第13-14页 |
| ·特征空间聚类方法 | 第14页 |
| ·基于区域的分割方法 | 第14-15页 |
| ·基于特定理论方法 | 第15-17页 |
| ·图像分割的评价标准 | 第17-19页 |
| ·小结 | 第19-21页 |
| 3 一种融合空间信息的快速模糊聚类图像分割算法 | 第21-31页 |
| ·模糊理论的图像分割技术 | 第21页 |
| ·模糊C 均值聚类(FCM)算法 | 第21-23页 |
| ·FCM 算法原理 | 第21-22页 |
| ·FCM 算法步骤 | 第22-23页 |
| ·模糊C 均值聚类分割算法的应用和发展 | 第23页 |
| ·一种新型局部空间相似性测量模型 | 第23-25页 |
| ·基于局部图像相关性的隶属度函数 | 第25-26页 |
| ·融合空间信息的快速模糊聚类图像分割 | 第26-27页 |
| ·实验结果与分析 | 第27-30页 |
| ·小结 | 第30-31页 |
| 4 基于SVM 的彩色图像分割算法 | 第31-47页 |
| ·支持向量机的基本思想 | 第31页 |
| ·支持向量机 | 第31-35页 |
| ·线性支持向量机 | 第31-33页 |
| ·非线性支持向量机 | 第33-35页 |
| ·算法实现 | 第35页 |
| ·特征的提取 | 第35-40页 |
| ·颜色特征的构造 | 第36-38页 |
| ·纹理特征的构造 | 第38-40页 |
| ·分类 | 第40-41页 |
| ·定义分类器 | 第40页 |
| ·样本选择 | 第40-41页 |
| ·算法描述 | 第41-42页 |
| ·实验结果与分析 | 第42-46页 |
| ·小结 | 第46-47页 |
| 5 总结和展望 | 第47-49页 |
| ·已完成的工作和创新 | 第47页 |
| ·展望 | 第47-49页 |
| 参考文献 | 第49-51页 |
| 攻读硕士期间研究成果 | 第51-52页 |
| 致谢 | 第52页 |
