| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 图像分割概述 | 第12-19页 |
| 1.2.1 图像分割的数学定义 | 第12-13页 |
| 1.2.2 图像分割方法分类 | 第13-19页 |
| 1.3 本文主要工作及章节安排 | 第19-21页 |
| 第二章 颜色空间及其相互转换 | 第21-29页 |
| 2.1 颜色空间的相关概念 | 第21-22页 |
| 2.1.1 颜色空间的含义 | 第21页 |
| 2.1.2 CIE与CIE颜色系统 | 第21-22页 |
| 2.2 常用颜色空间简介 | 第22-25页 |
| 2.2.1 RGB颜色空间 | 第22-23页 |
| 2.2.2 XYZ颜色空间 | 第23页 |
| 2.2.3 CMY和CMYK颜色空间 | 第23-24页 |
| 2.2.4 HSV(HSB)、HSI和HSL颜色空间 | 第24页 |
| 2.2.5 Lab和Luv颜色空间 | 第24-25页 |
| 2.3 常用颜色空间之间的相互转换 | 第25-28页 |
| 2.3.1 RGB转HSV、HSI和HSL | 第25-26页 |
| 2.3.2 RGB转XYZ | 第26-27页 |
| 2.3.3 XYZ转Lab | 第27-28页 |
| 2.4 本文颜色空间的选择 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 模糊聚类和可能性聚类分析 | 第29-35页 |
| 3.1 模糊C均值聚类算法（FCM） | 第29-30页 |
| 3.2 模糊聚类算法常用的评价指标 | 第30-31页 |
| 3.3 改进的可能性聚类算法（PCA-S） | 第31-34页 |
| 3.3.1 可能性聚类算法（PCA） | 第31-32页 |
| 3.3.2 基于空间邻域信息的可能性聚类算法（PCA-S） | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于多中心的可能性聚类算法 | 第35-50页 |
| 4.1 基于多中心的模糊C均值聚类算法 | 第35-43页 |
| 4.1.1 算法简介 | 第35页 |
| 4.1.2 分层减法聚类算法 | 第35-37页 |
| 4.1.3 可能初始聚类中心筛选算法 | 第37-38页 |
| 4.1.4 候选初始聚类中心链接算法 | 第38-39页 |
| 4.1.5 完整的算法步骤 | 第39页 |
| 4.1.6 算法综合分析 | 第39-43页 |
| 4.1.6.1 算法的优势分析 | 第39-42页 |
| 4.1.6.2 算法的不足分析 | 第42-43页 |
| 4.2 基于多中心的可能性聚类算法 | 第43-49页 |
| 4.2.1 改进的分层减法聚类算法 | 第43-46页 |
| 4.2.1.1 改进的第一层减法聚类算法 | 第44-45页 |
| 4.2.1.2 改进的第二层减法聚类算法 | 第45-46页 |
| 4.2.2 改进的可能初始聚类中心筛选算法 | 第46页 |
| 4.2.3 改进的候选初始聚类中心链接算法 | 第46-48页 |
| 4.2.4 MC-PCA-S的完整步骤 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 仿真实验与结果分析 | 第50-63页 |
| 5.1 自然图像分割评价系统 | 第50-54页 |
| 5.1.1 评价系统简介 | 第50页 |
| 5.1.2 评价系统的原理分析 | 第50-54页 |
| 5.2 MC-PCA-S的抗噪性仿真实验 | 第54-56页 |
| 5.3 自然图像分割仿真实验 | 第56-61页 |
| 5.4 与人工分割及现有算法的对比 | 第61-62页 |
| 5.4.1 与人工分割的对比 | 第61页 |
| 5.4.2 与现有算法的对比 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文的主要贡献 | 第63-64页 |
| 6.2 下一步展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-71页 |
| 攻读硕士期间取得的研究成果 | 第71-72页 |