| 第1章 引言 | 第1-14页 |
| ·模糊理论简介 | 第10-11页 |
| ·模糊理论在图象处理中的应用 | 第11-12页 |
| ·文章的主要内容及章节安排 | 第12-14页 |
| 第2章 模糊理论基础 | 第14-36页 |
| ·模糊理论的提出 | 第14-16页 |
| ·模糊集基础 | 第16-21页 |
| ·模糊系统 | 第21-26页 |
| ·模糊系统的组成结构 | 第22-23页 |
| ·模糊系统和神经网络的区别和联系 | 第23-24页 |
| ·模糊技术、神经网络和人工智能的关系 | 第24-26页 |
| ·模糊神经网络(FNN) | 第26-32页 |
| ·模糊系统和神经网络的结合-神经模糊技术 | 第26-28页 |
| ·模糊神经元 | 第28-30页 |
| ·模糊神经网络的定义与类型 | 第30-32页 |
| ·模糊理论的应用 | 第32-36页 |
| ·基于模糊理论的图像处理 | 第32-33页 |
| ·模糊控制 | 第33-36页 |
| 第3章 模糊C-均值(FCM)聚类算法 | 第36-47页 |
| ·聚类 | 第36-37页 |
| ·聚类分析 | 第37页 |
| ·C-均值聚类算法 | 第37-44页 |
| ·硬C-均值(HCM)法 | 第38-40页 |
| ·模糊C-均值(FCM)法 | 第40-43页 |
| ·FCM聚类算法存在的问题 | 第43-44页 |
| ·一种改进的模糊C-均值(FCM)聚类算法(MFCM) | 第44-47页 |
| ·引言 | 第44页 |
| ·改进的模糊C-均值聚类(FCM)算法(MFCM) | 第44-45页 |
| ·实验结果 | 第45-46页 |
| ·实验结果分析 | 第46-47页 |
| 第4章 基于模糊C-均值聚类算法的图像分割 | 第47-61页 |
| ·序言 | 第47-50页 |
| ·图像分割质量的评价方法 | 第50-54页 |
| ·区域一致性 | 第51-52页 |
| ·区域对比度 | 第52页 |
| ·区域形状参数 | 第52-54页 |
| ·图像的模糊性及图像模糊化 | 第54-55页 |
| ·图像的模糊分割算法简述 | 第55-56页 |
| ·基于模糊C-均值(FCM)聚类算法的图像分割 | 第56-58页 |
| ·基于应用二维直方图的模糊C-均值聚类算法(2D-FCM)的图像分割 | 第58-61页 |
| ·引入二维直方图的必要性 | 第58-59页 |
| ·图像的二维直方图 | 第59-60页 |
| ·基于2D-FCM的图像分割 | 第60-61页 |
| 第5章 基于D-S证据理论的FCM图像分割算法 | 第61-75页 |
| ·引言 | 第61页 |
| ·D-S证据理论简介 | 第61-67页 |
| ·基本概念 | 第62-64页 |
| ·结合多源信息的Dempster准则 | 第64-65页 |
| ·基本概率赋值的获取 | 第65-67页 |
| ·基于D-S证据理论的图像模糊聚类分割算法 | 第67-71页 |
| ·冗余图像的生成 | 第67页 |
| ·基本概率赋值的确定 | 第67-71页 |
| ·基本概率赋值的整合及图像的分割 | 第71页 |
| ·实验结果与性能比较 | 第71-74页 |
| ·结论 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| ·总结 | 第75-76页 |
| ·展望 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士研究生期间发表的相关论文 | 第82-83页 |
