| 中文摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 引言 | 第8-15页 |
| 1.1 本课题研究意义 | 第8页 |
| 1.2 课题研究背景及现状 | 第8-13页 |
| 1.2.1 图像分割算法简述 | 第8-11页 |
| 1.2.2 机器分类学习简述 | 第11-13页 |
| 1.3 本文的研究内容及安排 | 第13-15页 |
| 第二章 迭代条件模型和图割算法 | 第15-23页 |
| 2.1 迭代条件模型 | 第15-17页 |
| 2.1.1 迭代条件模型简介 | 第15页 |
| 2.1.2 迭代条件模型算法 | 第15-17页 |
| 2.2 图割算法 | 第17-23页 |
| 2.2.1 图割算法简介 | 第17页 |
| 2.2.2 S/T加权图的构建 | 第17-18页 |
| 2.2.3 能量函数 | 第18-21页 |
| 2.2.4 图割算法求解 | 第21-23页 |
| 第三章 自训练式K近邻分类算法 | 第23-27页 |
| 3.1 K近邻分类算法 | 第23-25页 |
| 3.1.1 K近邻分类算法简介 | 第23页 |
| 3.1.2 K近邻分类模型 | 第23-25页 |
| 3.2 自训练学习方法 | 第25-27页 |
| 3.2.1 自训练学习算法简介 | 第25页 |
| 3.2.2 自训练学习算法模型 | 第25-27页 |
| 第四章 K近邻分类器指导区域图割 | 第27-35页 |
| 4.1 算法及创新 | 第27-29页 |
| 4.1.1 算法简介 | 第27-28页 |
| 4.1.2 本文的创新点 | 第28-29页 |
| 4.2 图像预处理 | 第29-30页 |
| 4.2.1 图像初始分割 | 第29-30页 |
| 4.2.2 初始种子点选取 | 第30页 |
| 4.3 区域迭代图割算法分割图像 | 第30-32页 |
| 4.4 自训练K近邻算法评定分割标签 | 第32-35页 |
| 第五章 实验结果及分析 | 第35-43页 |
| 5.1 实验准备 | 第35-36页 |
| 5.1.1 实验图像和实验平台 | 第35页 |
| 5.1.2 判断标准 | 第35-36页 |
| 5.1.3 参数值设置 | 第36页 |
| 5.2 实验结果比较与分析 | 第36-43页 |
| 5.2.1 与LazyingSnapping算法分割效果比较 | 第36-38页 |
| 5.2.2 与无KNN分类指导的迭代图割算法分割效果比较 | 第38-39页 |
| 5.2.3 分割结果定量评估 | 第39-42页 |
| 5.2.4 计算时间 | 第42-43页 |
| 第六章 总结和展望 | 第43-45页 |
| 6.1 总结 | 第43页 |
| 6.2 存在的不足与展望 | 第43-45页 |
| 参考文献 | 第45-52页 |
| 攻读学位期间公开发表的论文、专利 | 第52-53页 |
| 附录 缩略词 | 第53-54页 |
| 致谢 | 第54-55页 |