| 摘要 | 第1-9页 |
| Abstract | 第9-10页 |
| 第1章 概论 | 第10-14页 |
| 1．1 聚类分析的定义 | 第10-11页 |
| 1．2 聚类分析的应用 | 第11页 |
| 1．3 图像的分割和识别 | 第11-12页 |
| 1．3．1 图像分割 | 第11-12页 |
| 1．3．2 图像识别 | 第12页 |
| 1．3．3 基于聚类分析的图像分割和识别 | 第12页 |
| 1．4 论文概述 | 第12-14页 |
| 第2章 直接图像分割 | 第14-28页 |
| 2．1 边界检测 | 第14-20页 |
| 2．1．1 微分算子 | 第14-15页 |
| 2．1．2 方向算子 | 第15页 |
| 2．1．3 拉普拉斯算子 | 第15-16页 |
| 2．1．4 LOG算子 | 第16页 |
| 2．1．5 canny算子 | 第16-18页 |
| 2．1．6 算子的比较 | 第18页 |
| 2．1．7 Hough变换 | 第18-20页 |
| 2．2 图搜索 | 第20-21页 |
| 2．3 阈值处理 | 第21-25页 |
| 2．3．1 基本全局阈值 | 第21-22页 |
| 2．3．2 基本自适应阈值 | 第22页 |
| 2．3．3 改进的最佳阈值 | 第22-24页 |
| 2．3．4 边界特性阈值 | 第24-25页 |
| 2．4 区域分割 | 第25-27页 |
| 2．4．1 区域生长 | 第25-26页 |
| 2．4．2 区域分裂与合并 | 第26-27页 |
| 2．5 本章小结 | 第27-28页 |
| 第3章 基于模型的分割 | 第28-42页 |
| 3．1 统计模型 | 第28-40页 |
| 3．1．1 统计形状模型(Statistical Shape Model) | 第28-32页 |
| 3．1．2 活跃形状模型(Active Shape Model) | 第32-33页 |
| 3．1．3 统计表面模型(Statistical Appearance Model) | 第33-34页 |
| 3．1．4 活跃表面模型(Active Appearance Model) | 第34-36页 |
| 3．1．5 基于视角的表面模型(View-Based Appearance Model) | 第36页 |
| 3．1．6 直接表面模型(Direct Appearance Model) | 第36-38页 |
| 3．1．7 马尔可夫随机场(MRF) | 第38-40页 |
| 3．2 基于 PIXON的方法 | 第40页 |
| 3．3 多分辨率分割 | 第40-41页 |
| 3．4 本章小结 | 第41-42页 |
| 第4章 纹理分割和其他分割方法 | 第42-50页 |
| 4．1 纹理统计方法 | 第42-47页 |
| 4．1．1 Laws纹理能量测量法 | 第42页 |
| 4．1．2 自相关函数分析 | 第42-43页 |
| 4．1．3 灰度共生矩阵 | 第43-44页 |
| 4．1．4 灰度梯度共生矩阵 | 第44页 |
| 4．1．5 纹理的小波分析 | 第44-45页 |
| 4．1．6 纹理的分形特征 | 第45-47页 |
| 4．2 纹理结构方法 | 第47页 |
| 4．3 纹理频谱方法 | 第47-48页 |
| 4．4 其他方法 | 第48页 |
| 4．5 本章小结 | 第48-50页 |
| 第5章 一个聚类分析的框架:用于图像分割和识别 | 第50-71页 |
| 5．1 框架的提出 | 第50页 |
| 5．2 框架的结构 | 第50-53页 |
| 5．2．1 知识表达系统 | 第51页 |
| 5．2．2 聚类和划分 | 第51-52页 |
| 5．2．3 两个映射与划分的存在性 | 第52-53页 |
| 5．3 特征提取 | 第53-57页 |
| 5．3．1 角点特征 | 第53-54页 |
| 5．3．2 区域特征 | 第54-56页 |
| 5．3．3 离散有限 K-L变换 | 第56-57页 |
| 5．3．4 其他变换 | 第57页 |
| 5．4 相似性的度量 | 第57-65页 |
| 5．4．1 模型化方法 | 第58-63页 |
| 5．4．2 模型无关方法 | 第63-65页 |
| 5．4．3 其他方法 | 第65页 |
| 5．5 聚类分析 | 第65-68页 |
| 5．5．1 K均值聚类 | 第65-66页 |
| 5．5．2 层次聚类 | 第66-67页 |
| 5．5．3 迭代最优化 | 第67-68页 |
| 5．5．4 图论方法 | 第68页 |
| 5．5．5 其他方法 | 第68页 |
| 5．6 框架在车牌分割中的应用 | 第68-70页 |
| 5．6．1 特征提取 | 第68-69页 |
| 5．6．2 划分 | 第69-70页 |
| 5．6．3 实验结果 | 第70页 |
| 5．7 本章小结 | 第70-71页 |
| 第6章 一种改进的决策树: MBDT | 第71-80页 |
| 6．1 概述 | 第71页 |
| 6．2 ID3 | 第71-72页 |
| 6．3 C4．5 | 第72页 |
| 6．4 CART | 第72-74页 |
| 6．4．1 节点属性选择准则 | 第72-73页 |
| 6．4．2 分支停止准则 | 第73-74页 |
| 6．4．3 剪枝 | 第74页 |
| 6．5 MBDT | 第74-78页 |
| 6．5．1 MBDT的度量方法 | 第74-75页 |
| 6．5．2 MBDT的算法 | 第75页 |
| 6．5．3 MBDT的实验结果 | 第75-78页 |
| 6．5．4 MBDT实验结果的分析 | 第78页 |
| 6．6 总结性评论 | 第78-79页 |
| 6．7 本章小结 | 第79-80页 |
| 结论与展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 致谢 | 第87-88页 |
| 附录A (攻读硕士期间所发表论文) | 第88-89页 |
| 附录B (提取区域特征的源代码) | 第89-92页 |
