基于贝叶斯最优统计的图切法图像分割研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.1.1 课题研究背景 | 第11-12页 |
| 1.1.2 课题研究意义 | 第12页 |
| 1.2 国内外图像分割技术的研究现状 | 第12-14页 |
| 1.3 国内外图切法图像分割技术的研究现状 | 第14-16页 |
| 1.3.1 国外发展状况 | 第14-15页 |
| 1.3.2 国内发展状况 | 第15-16页 |
| 1.4 本课题主要研究思路 | 第16页 |
| 1.5 本课题主要研究内容 | 第16-17页 |
| 第二章 图像分割 | 第17-41页 |
| 2.1 基于边缘特征检测的分割 | 第18-25页 |
| 2.1.1 基本的边缘检测方法 | 第18-21页 |
| 2.1.2 Marr-Hilderth边缘检测器 | 第21-22页 |
| 2.1.3 坎尼边缘检测器 | 第22-24页 |
| 2.1.4 采用不同的边缘检测算子得到的检测结果 | 第24-25页 |
| 2.1.5 边缘检测方法的优缺点 | 第25页 |
| 2.2 基于阈值处理的方法 | 第25-28页 |
| 2.2.1 全局阈值处理 | 第26-28页 |
| 2.2.2 局部阈值处理 | 第28页 |
| 2.3 基于区域的分割方法 | 第28-30页 |
| 2.3.1 区域生长 | 第29页 |
| 2.3.2 区域分裂与聚合 | 第29-30页 |
| 2.4 多尺度归一化割 | 第30-34页 |
| 2.4.1 多尺度归一化割优化求解 | 第30-31页 |
| 2.4.2 求解多尺度相似矩阵W | 第31-33页 |
| 2.4.3 多尺度约束C矩阵的计算 | 第33页 |
| 2.4.4 特征向量求解 | 第33-34页 |
| 2.5 图切法分割 | 第34-39页 |
| 2.5.1 图切法的概念 | 第34-36页 |
| 2.5.2 图切法图像分割步骤 | 第36-38页 |
| 2.5.3 图切法分割结果 | 第38-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第三章 贝叶斯分类器理论与分析 | 第41-53页 |
| 3.1 基础知识 | 第41-42页 |
| 3.2 贝叶斯决策分类器 | 第42-46页 |
| 3.2.1 基础理论 | 第42-43页 |
| 3.2.2 最小错误率的贝叶斯分类 | 第43-45页 |
| 3.2.3 最小错分风险的贝叶斯分类 | 第45-46页 |
| 3.3 高斯模式下的贝叶斯分类器 | 第46-48页 |
| 3.3.1 高斯分布 | 第46-48页 |
| 3.3.2 判别函数与决策面 | 第48页 |
| 3.4 实验仿真 | 第48-50页 |
| 3.5 贝叶斯分类器的优缺点 | 第50-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第四章 基于贝叶斯最优统计的图切法研究 | 第53-77页 |
| 4.1 算法的基本思想 | 第53-56页 |
| 4.2 图像的采集和人工分割 | 第56-59页 |
| 4.2.1 图像采集平台 | 第56-57页 |
| 4.2.2 人工分割 | 第57-59页 |
| 4.2.3 标准库 | 第59页 |
| 4.3 贝叶斯统计下的图切法分割 | 第59-66页 |
| 4.3.1 贝叶斯分类 | 第59-62页 |
| 4.3.2 能量函数的确定 | 第62-63页 |
| 4.3.3 图的构造 | 第63-64页 |
| 4.3.4 能量最小化分割 | 第64-66页 |
| 4.4 实验结果及其分析 | 第66-76页 |
| 4.4.1 准确率和查全率 | 第67-74页 |
| 4.4.2 平均绝对误差 | 第74-75页 |
| 4.4.3 运算速度 | 第75-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 总结 | 第77-78页 |
| 5.2 展望 | 第78-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 附录一：参与国家自然科学基金项目 | 第85-86页 |
| 附录二：算法主程序 | 第86-88页 |
