| 致谢 | 第1-7页 |
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-12页 |
| 目录 | 第12-14页 |
| 第一章 绪论 | 第14-28页 |
| ·聚类分析概述 | 第14-16页 |
| ·聚类分析中涉及相似性度量的关键问题 | 第16-23页 |
| ·数据的表示 | 第17-18页 |
| ·度量数据元素之间的相似性或距离 | 第18-20页 |
| ·建立算法模型 | 第20-22页 |
| ·评估聚类结果 | 第22-23页 |
| ·现有相似性度量方法所存在的问题 | 第23-24页 |
| ·本文的研究内容 | 第24-27页 |
| ·本文的章节安排 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第二章 基础理论和相关研究 | 第28-44页 |
| ·聚类分析中的相似性度量方法 | 第28-36页 |
| ·数据对象之间的相似关系 | 第28-33页 |
| ·类对象之间的相似关系 | 第33-34页 |
| ·不同聚类结果之间的相似关系 | 第34-36页 |
| ·聚类方法应用于图像处理任务的研究现状 | 第36-42页 |
| ·图像聚类 | 第37-38页 |
| ·轮廓编组 | 第38-39页 |
| ·图像分割 | 第39-42页 |
| ·本章小结 | 第42-44页 |
| 第三章 结合“词袋”模型与KL距离的图像聚类方法 | 第44-56页 |
| ·本章引言 | 第44-45页 |
| ·“词袋”模型的图像表示 | 第45-47页 |
| ·基于信息瓶颈理论和Bregman散度的图像聚类方法 | 第47-51页 |
| ·信息瓶颈理论 | 第47-49页 |
| ·Bregman散度聚类方法 | 第49-51页 |
| ·实验结果与分析 | 第51-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 基于信息聚类和多特征相似性度量的轮廓编组方法 | 第56-67页 |
| ·本章引言 | 第56页 |
| ·基于信息的聚类算法 | 第56-57页 |
| ·多特征相似性聚类的轮廓编组方法 | 第57-60页 |
| ·多特征编组线索 | 第58-59页 |
| ·多特征相似性聚类的轮廓编组方法 | 第59-60页 |
| ·实验与分析 | 第60-65页 |
| ·本章小结 | 第65-67页 |
| 第五章 类间信息熵指导下的层次聚类方法 | 第67-89页 |
| ·本章引言 | 第67-68页 |
| ·基于信息的学习 | 第68-73页 |
| ·Renyi熵与非参数估计 | 第68-72页 |
| ·ITL在机器学习中的应用 | 第72-73页 |
| ·类间信息熵指导下的层次聚类方法 | 第73-76页 |
| ·实验结果 | 第76-88页 |
| ·本章小结 | 第88-89页 |
| 第六章 图像分割的正则化联合互信息评估指标 | 第89-105页 |
| ·本章引言 | 第89-90页 |
| ·相关工作介绍 | 第90-92页 |
| ·聚类结构评估的正则化互信息度量指标 | 第90-91页 |
| ·图像分割的PR指标评估方法 | 第91-92页 |
| ·图像分割的正则化联合互信息评估指标 | 第92-94页 |
| ·联合互信息的定义 | 第92-93页 |
| ·联合互信息与多元共享信息之间的关系 | 第93-94页 |
| ·正则化联合互信息(NJMI) | 第94页 |
| ·实验结果 | 第94-103页 |
| ·本章小结 | 第103-105页 |
| 第七章 总结与展望 | 第105-107页 |
| ·全文总结 | 第105-106页 |
| ·研究展望 | 第106-107页 |
| 参考文献 | 第107-114页 |
| 作者简历 | 第114-116页 |
| 学位论文数据集 | 第116页 |