| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究的背景与意义 | 第9-10页 |
| 1.2 图像分割概述 | 第10-15页 |
| 1.2.1 基于阈值的图像分割 | 第10-11页 |
| 1.2.2 基于边缘分割的图像分割 | 第11-12页 |
| 1.2.3 基于区域的图像分割 | 第12页 |
| 1.2.4 与特定理论结合的图像分割算法 | 第12-15页 |
| 1.3 本文的主要研究内容与工作 | 第15-17页 |
| 第二章 聚类分析概述 | 第17-25页 |
| 2.1 基本概念 | 第17-19页 |
| 2.2 聚类数据结构 | 第19-20页 |
| 2.3 聚类的相似性度量 | 第20-21页 |
| 2.4 聚类算法分类 | 第21-25页 |
| 第三章 经典聚类算法 | 第25-36页 |
| 3.1 K 均值 | 第25-27页 |
| 3.1.1 K 均值聚类的原理 | 第25-27页 |
| 3.1.2 K 均值聚类的优缺点 | 第27页 |
| 3.2 模糊聚类算法 | 第27-29页 |
| 3.2.1 模糊集合 | 第27-28页 |
| 3.2.2 FCM 算法 | 第28页 |
| 3.2.3 FCM 算法流程 | 第28-29页 |
| 3.2.4 FCM 聚类的优缺点 | 第29页 |
| 3.3 均值漂移 | 第29-32页 |
| 3.3.1 均值漂移原理 | 第30-31页 |
| 3.3.2 均值漂移的算法步骤 | 第31页 |
| 3.3.3 均值漂移算法的优缺点 | 第31-32页 |
| 3.4 近邻聚类 | 第32-36页 |
| 3.4.1 近邻聚类原理 | 第32-34页 |
| 3.4.2 算法流程 | 第34-35页 |
| 3.4.3 近邻聚类算法的优缺点 | 第35-36页 |
| 第四章 纹理图像分割的相关理论和方法 | 第36-46页 |
| 4.1 纹理图像 | 第36页 |
| 4.2 小波变换 | 第36-38页 |
| 4.3 Relief 算法 | 第38-39页 |
| 4.4 小波金字塔尺度特征传递原理 | 第39-40页 |
| 4.5 约束均值漂移聚类 | 第40-46页 |
| 4.5.1 均值漂移原理与复杂性 | 第40-42页 |
| 4.5.2 离散特征空间均值漂移的复杂性 | 第42-43页 |
| 4.5.3 约束均值漂移方法 | 第43-46页 |
| 第五章 实验与分析 | 第46-68页 |
| 5.1 利用小波变换和 Relief 特征加权进行纹理分割 | 第46-48页 |
| 5.1.1 算法描述 | 第46-47页 |
| 5.1.2 实验与分析 | 第47-48页 |
| 5.2 利用小波变换和约束均值漂移算法进行纹理分割 | 第48-55页 |
| 5.2.1 算法描述 | 第48-49页 |
| 5.2.2 实验与分析 | 第49-55页 |
| 5.3 高分辨率遥感影像上居民地自动提取 | 第55-62页 |
| 5.3.1 小波变换系数的统计特征与多尺度结构的关系 | 第55-59页 |
| 5.3.2 算法描述 | 第59-60页 |
| 5.3.3 实验与分析 | 第60-62页 |
| 5.4 高分辨率影像中城区树冠多尺度聚类识别 | 第62-68页 |
| 5.4.1 算法描述 | 第63-64页 |
| 5.4.2 实验与分析 | 第64-68页 |
| 第六章 总结与展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74页 |
