| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-17页 |
| ·图像分割概述 | 第7页 |
| ·图像分割技术发展的过程及现状 | 第7-15页 |
| ·阈值分割方法 | 第7-9页 |
| ·边界分割方法 | 第9-11页 |
| ·区域提取分割方法 | 第11-13页 |
| ·基于偏微分方程的图像分割方法 | 第13页 |
| ·基于数学形态学的分割方法 | 第13-14页 |
| ·基于小波分析和变换的分割方法 | 第14-15页 |
| ·基于人工神经网络的分割方法 | 第15页 |
| ·基于模糊集理论的分割方法 | 第15页 |
| ·本文的主要工作 | 第15-17页 |
| 第二章 参数SNAKE模型原理与方法 | 第17-31页 |
| ·SNAKE模型概述 | 第17-19页 |
| ·SNAKE的数学模型 | 第19-21页 |
| ·SNAKE的物理含义 | 第21-22页 |
| ·外力设计 | 第22-27页 |
| ·高斯力模型 | 第22-23页 |
| ·气球力模型 | 第23-25页 |
| ·距离势力模型 | 第25-26页 |
| ·梯度矢量流模型 | 第26-27页 |
| ·数值解法的实现 | 第27-28页 |
| ·小结 | 第28-31页 |
| 第三章 梯度矢量流(GVF SNAKE)主动轮廓线算法 | 第31-43页 |
| ·梯度矢量流模型的原理 | 第31-33页 |
| ·边缘图 | 第31-32页 |
| ·梯度矢量流 | 第32-33页 |
| ·梯度矢量流的数值解法 | 第33-34页 |
| ·梯度矢量流和其它方法的比较 | 第34-37页 |
| ·GVF SNAKE模型的优缺点 | 第37-39页 |
| ·改进的GVF SNAKE方法 | 第39-41页 |
| ·小结 | 第41-43页 |
| 第四章 基于水平集的CV方法 | 第43-51页 |
| ·引言 | 第43页 |
| ·轮廓曲线运动理论 | 第43-44页 |
| ·水平集方法 | 第44-47页 |
| ·轮廓线的隐含表达 | 第45页 |
| ·水平集方法介绍 | 第45-47页 |
| ·CHAN—VESE模型 | 第47-49页 |
| ·CHAN—VESE模型实验结果 | 第49页 |
| ·小结 | 第49-51页 |
| 第五章 主动轮廓模型在设备内壁图像中的应用 | 第51-55页 |
| ·设备内壁图像采集和预处理 | 第51页 |
| ·实验结果 | 第51-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 研究成果 | 第63页 |