| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及趋势 | 第10-12页 |
| 1.3 本文的研究内容和创新之处 | 第12-13页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 创新之处 | 第13页 |
| 1.4 本文结构安排 | 第13-14页 |
| 第2章 基于蚁群聚类的图像分割算法 | 第14-19页 |
| 2.1 基本蚁群算法 | 第14-15页 |
| 2.1.1 基本思想 | 第14页 |
| 2.1.2 蚁群算法简介 | 第14-15页 |
| 2.2 基于蚁群聚类的图像分割算法 | 第15-18页 |
| 2.2.1 基本思想 | 第15页 |
| 2.2.2 关键策略 | 第15-16页 |
| 2.2.3 算法的执行步骤 | 第16-17页 |
| 2.2.4 实验结果 | 第17-18页 |
| 2.2.5 算法的优点与不足 | 第18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 基于侦查蚁的图像分割算法 | 第19-34页 |
| 3.1 算法的基本思想 | 第19-21页 |
| 3.2 算法的关键策略 | 第21-24页 |
| 3.2.1 侦查蚁初始位置分配策略 | 第21页 |
| 3.2.2 边缘点探测策略 | 第21-22页 |
| 3.2.3 边缘点探测步骤 | 第22-23页 |
| 3.2.4 邻接边缘点搜索策略 | 第23-24页 |
| 3.2.5 邻接边缘点搜索停止条件 | 第24页 |
| 3.3 算法基本步骤 | 第24-25页 |
| 3.4 实验结果 | 第25-32页 |
| 3.4.1 仿真实验 | 第25-27页 |
| 3.4.2 算法参数对分割结果的影响 | 第27-30页 |
| 3.4.3 与其他算法比较 | 第30-32页 |
| 3.5 算法的优点与不足 | 第32-33页 |
| 3.5.1 优点 | 第32页 |
| 3.5.2 不足 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 基于多窗口的侦查蚁图像分割算法 | 第34-43页 |
| 4.1 算法的基本思想 | 第34页 |
| 4.2 算法的关键策略 | 第34-37页 |
| 4.2.1 多窗口机制 | 第34-35页 |
| 4.2.2 边缘细化 | 第35-37页 |
| 4.2.3 去除孤立边缘点 | 第37页 |
| 4.3 算法的基本步骤 | 第37-38页 |
| 4.4 实验结果 | 第38-41页 |
| 4.4.1 边缘细化及去除孤立边缘点的实验结果 | 第38-40页 |
| 4.4.2 采用多窗口机制的效果 | 第40-41页 |
| 4.5 算法的优点与不足 | 第41-42页 |
| 4.5.1 优点 | 第41页 |
| 4.5.2 不足 | 第41-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第5章 基于侦查蚁图像分割的移动目标检测算法 | 第43-55页 |
| 5.1 经典移动目标检测算法 | 第43-45页 |
| 5.1.1 背景减除法 | 第43页 |
| 5.1.2 帧差法 | 第43-44页 |
| 5.1.3 光流法 | 第44-45页 |
| 5.2 基于侦查蚁图像分割的移动目标检测算法 | 第45-51页 |
| 5.2.1 基本思想 | 第45-46页 |
| 5.2.2 算法关键策略 | 第46-48页 |
| 5.2.3 算法基本步骤 | 第48-49页 |
| 5.2.4 仿真实验 | 第49-50页 |
| 5.2.5 算法的优点与不足 | 第50-51页 |
| 5.3 静态背景下基于MT-R机器人的移动目标检测 | 第51-54页 |
| 5.3.1 研究版智能MT-R机器人的系统配置 | 第51-52页 |
| 5.3.2 移动目标检测系统的设计与实现 | 第52页 |
| 5.3.3 实时移动目标的检测结果 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62页 |