| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第1章 绪论 | 第11-19页 |
| ·图像分割的研究背景和意义 | 第11-13页 |
| ·彩色图像分割技术研究现状 | 第13-17页 |
| ·主要工作和创新点 | 第17-18页 |
| ·论文组织结构 | 第18-19页 |
| 第2章 颜色理论 | 第19-25页 |
| ·颜色的定义 | 第19-20页 |
| ·彩色模型 | 第20-23页 |
| ·RGB彩色模型 | 第20-21页 |
| ·HSI彩色模型 | 第21-22页 |
| ·YUV彩色模型 | 第22-23页 |
| ·彩色模型之间的转换 | 第23页 |
| ·RGB到HSI的转换 | 第23页 |
| ·RGB到YUV的转换 | 第23页 |
| ·彩色模型的选择 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 支持向量机 | 第25-36页 |
| ·统计学习理论 | 第25-27页 |
| ·支持向量机 | 第27-34页 |
| ·线性支持向量机 | 第28-30页 |
| ·软间隔分类 | 第30-31页 |
| ·核函数法 | 第31-34页 |
| ·多类分类 | 第34页 |
| ·支持向量机图像分割原理 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于多特征提取和支持向量机的彩色图像边缘检测 | 第36-49页 |
| ·边缘检测概述 | 第36页 |
| ·边缘检测算子 | 第36-41页 |
| ·彩色图像边缘检测分析 | 第41-42页 |
| ·支持向量机对彩色图像的边缘检测 | 第42-43页 |
| ·实验结果与分析 | 第43-47页 |
| ·样本的选取 | 第43-45页 |
| ·支持向量机训练 | 第45-46页 |
| ·实验分析 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 第5章 基于聚类和支持向量机相结合的彩色图像分割模型 | 第49-62页 |
| ·模型结构 | 第49-50页 |
| ·聚类算法 | 第50-54页 |
| ·C-均值聚类 | 第50-51页 |
| ·模糊C-均值聚类 | 第51-52页 |
| ·FCM图像分割算法分析 | 第52-53页 |
| ·减法聚类 | 第53-54页 |
| ·SVM学习 | 第54-55页 |
| ·实验结果与分析 | 第55-60页 |
| ·聚类分割实验 | 第55-57页 |
| ·SVM分割实验 | 第57-60页 |
| ·本章小结 | 第60-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士学位期间的学术论文目录 | 第70-71页 |
| 学位论文评阅及答辩情况表 | 第71页 |