| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-12页 |
| 1.1 选题背景与研究意义 | 第7-8页 |
| 1.1.1 选题背景 | 第7页 |
| 1.1.2 研究意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 本文主要研究工作及章节安排 | 第10-12页 |
| 第2章 K-Means的阈值分割技术 | 第12-22页 |
| 2.1 图像分割的方向 | 第12-13页 |
| 2.1.1 基于聚集(Cluster)的图像分割 | 第12页 |
| 2.1.2 基于模型拟合的分割 | 第12-13页 |
| 2.2 聚类分割算法 | 第13-15页 |
| 2.2.1 K-Means算法 | 第13页 |
| 2.2.2 K-Means算法的性能分析及改进 | 第13-15页 |
| 2.3 灰度阈值分割 | 第15-21页 |
| 2.3.1 直方图阈值 | 第17-20页 |
| 2.3.2 最大熵阈值 | 第20-21页 |
| 2.4 本章小节 | 第21-22页 |
| 第3章 区域生长与边缘检测的预处理 | 第22-28页 |
| 3.1 区域生长处理 | 第22-24页 |
| 3.1.1 简单生长法 | 第23-24页 |
| 3.1.2 质心生长法 | 第24页 |
| 3.2 边缘检测 | 第24-26页 |
| 3.2.1 小波变换步骤与直方图表示 | 第24-26页 |
| 3.2.2 最优阈值的选取 | 第26页 |
| 3.3 本章小节 | 第26-28页 |
| 第4章 基于K-Means与区域生长分割算法的研究 | 第28-42页 |
| 4.1 传统分割算法的分析与改进 | 第28-29页 |
| 4.2 分割算法的实现 | 第29页 |
| 4.3 图像的预处理 | 第29-32页 |
| 4.3.1 图像灰度处理 | 第30-31页 |
| 4.3.2 图像的中值滤波处理 | 第31-32页 |
| 4.4 K-Means的阈值图像分割处理 | 第32-37页 |
| 4.4.1 K-Means对图像亮度的划分 | 第32-35页 |
| 4.4.2 图像自适应二值化处理 | 第35-37页 |
| 4.5 区域生长处理 | 第37-41页 |
| 4.5.1 种子点的区域生长处理 | 第37-40页 |
| 4.5.2 二值图像分割处理 | 第40-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第5章 算法仿真及分析 | 第42-48页 |
| 5.1 算法仿真的实现 | 第42-45页 |
| 5.2 仿真结果及分析 | 第45-47页 |
| 5.3 本章小结 | 第47-48页 |
| 第6章 全文总结与工作展望 | 第48-50页 |
| 6.1 全文总结 | 第48-49页 |
| 6.2 工作展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-53页 |