基于模糊C均值聚类算法的图像分割方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 图像分割方法研究现状 | 第13-15页 |
| 1.2.2 聚类分割算法应用于图像分割研究现状 | 第15-18页 |
| 1.3 本文的研究内容 | 第18-19页 |
| 1.4 文章组织结构 | 第19-21页 |
| 第2章 模糊C均值聚类算法概述 | 第21-33页 |
| 2.1 模糊聚类基础知识 | 第21-25页 |
| 2.1.1 模糊聚类理论 | 第21-22页 |
| 2.1.2 聚类方法理论 | 第22-23页 |
| 2.1.3 聚类算法介绍 | 第23-24页 |
| 2.1.4 模糊聚类算法 | 第24-25页 |
| 2.2 K-MEANS算法 | 第25-28页 |
| 2.3 模糊C均值聚类算法 | 第28-30页 |
| 2.3.1 硬C均值(HCM)聚类算法 | 第28-29页 |
| 2.3.2 传统的模糊C均值聚类算法 | 第29-30页 |
| 2.4 基于空间信息的可能性模糊C均值聚类算法 | 第30-32页 |
| 2.4.1 PFCM算法介绍 | 第30-31页 |
| 2.4.2 基于空间信息的PFCM算法 | 第31-32页 |
| 2.4.3 自适应加权空间化处理算法 | 第32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于中点密度函数的模糊聚类算法 | 第33-45页 |
| 3.1 一种改进的模糊聚类算法 | 第33-35页 |
| 3.2 基于中点密度函数的模糊聚类算法 | 第35-42页 |
| 3.2.1 距离矩阵 | 第35-37页 |
| 3.2.2 初始聚类中点的选取 | 第37-38页 |
| 3.2.3 类集密度函数法 | 第38页 |
| 3.2.4 逐步回归分析思想 | 第38-39页 |
| 3.2.5 聚类有效性判定 | 第39-41页 |
| 3.2.6 算法实现 | 第41-42页 |
| 3.3 实验结果 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 改进的模糊聚类算法在图像分割中的应用 | 第45-63页 |
| 4.1 图像分割基本知识 | 第45-47页 |
| 4.1.1 图像分割定义 | 第45-46页 |
| 4.1.2 图像灰度 | 第46-47页 |
| 4.2 图像分割算法改进 | 第47-49页 |
| 4.2.1 新距离矩阵 | 第47页 |
| 4.2.2 灰度波动 | 第47-48页 |
| 4.2.3 初始聚类中心和聚类集合选取 | 第48-49页 |
| 4.3 分割有效性判定 | 第49-50页 |
| 4.4 算法实现 | 第50-62页 |
| 4.4.1 算法实现步骤 | 第50-51页 |
| 4.4.2 实验结果对比和分析 | 第51-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 附录: 攻读硕士学位期间的科研情况 | 第70-71页 |
| 致谢 | 第71页 |
