| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 引言 | 第9页 |
| 1.2 选题背景及其研究意义 | 第9-10页 |
| 1.3 图像分割的定义 | 第10-14页 |
| 1.3.1 图像分割的定义 | 第10页 |
| 1.3.2 图像分割的方法 | 第10-14页 |
| 1.4 基于图论的图像分割 | 第14-17页 |
| 1.4.1 基于图论的图像分割方法的特点 | 第14-15页 |
| 1.4.2 基于图论的图像分割方法 | 第15-16页 |
| 1.4.3 基于图论的图像分割方法的缺陷与不足 | 第16-17页 |
| 1.5 本文的主要研究内容及其组织结构 | 第17-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第二章 基于图论的图像分割算法 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 图论技术的理论基础 | 第19-22页 |
| 2.3 由图像构建图 | 第22-24页 |
| 2.4 颜色空间的简介 | 第24-25页 |
| 2.5 权重的选择 | 第25页 |
| 2.6 基于图论的图像分割算法简介 | 第25-32页 |
| 2.6.1 图切割 | 第26-28页 |
| 2.6.2 标准割(归一化割) | 第28-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第三章 K-means算法 | 第33-38页 |
| 3.1 引言 | 第33页 |
| 3.2 K-means算法的基本理论 | 第33-34页 |
| 3.2.1 K-means算法简介 | 第33-34页 |
| 3.2.2 聚类准则函数 | 第34页 |
| 3.3 K-means算法的流程 | 第34-35页 |
| 3.4 基于K-means算法的图像分割 | 第35-37页 |
| 3.5 K-means算法的优缺点分析 | 第37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于改进的K-means的标准割算法 | 第38-44页 |
| 4.1 引言 | 第38页 |
| 4.2 基于K-means的标准割算法 | 第38页 |
| 4.3 图像预处理 | 第38-39页 |
| 4.4 K-means算法的改进 | 第39页 |
| 4.5 改进的K-means算法与标准割算法的有效融合 | 第39-40页 |
| 4.6 基于改进的K-means的标准割算法流程 | 第40-41页 |
| 4.7 实验结果 | 第41-42页 |
| 4.8 算法的优缺点分析 | 第42-43页 |
| 4.9 本章小结 | 第43-44页 |
| 第五章 算法性能的评估 | 第44-49页 |
| 5.1 引言 | 第44页 |
| 5.2 改进后算法的流程 | 第44-45页 |
| 5.3 几种图像分割算法的实验结果分析 | 第45-48页 |
| 5.3.1 实验结果对比图 | 第45-46页 |
| 5.3.2 实验结果的分析比较 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-50页 |
| 6.1 本文工作总结 | 第49页 |
| 6.2 研究展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53页 |