| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-7页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2. 国内外研究现状 | 第8-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 数字纹理图像处理技术 | 第14-24页 |
| 2.1 图像处理和分析综述 | 第14-16页 |
| 2.2 纹理特征分析概述 | 第16页 |
| 2.3 图像纹理特征的描述方法 | 第16-19页 |
| 2.3.1 基于统计法的纹理特征描述 | 第16-18页 |
| 2.3.2 基于模型的纹理特征描述 | 第18-19页 |
| 2.3.3 基于信号处理方法的纹理特征描述 | 第19页 |
| 2.4 纹理图像分割方法 | 第19-23页 |
| 2.4.1 常见的几种纹理分割技术 | 第20-22页 |
| 2.4.2 常见的几种图像匹配技术 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 蚁群算法及其聚类算法理论研究 | 第24-33页 |
| 3.1 蚁群算法的起源 | 第24-25页 |
| 3.2 基本蚁群算法模型 | 第25-28页 |
| 3.2.1 TSP 问题 | 第25页 |
| 3.2.2 蚁群算法的数学模型 | 第25-28页 |
| 3.2.3 基本蚁群算法的优缺点 | 第28页 |
| 3.3 一些改进的蚁群算法算法 | 第28-30页 |
| 3.4 蚁群聚类算法分析 | 第30-32页 |
| 3.4.1 基于蚂蚁觅食行为的聚类算法 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于四叉树算法和蚁群聚类算法的图像分割 | 第33-38页 |
| 4.1 引言 | 第33-34页 |
| 4.2 基于四叉树算法和蚁群聚类算法的分割方法 | 第34-36页 |
| 4.3 实验仿真及结果分析 | 第36-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第5章 基于图像特征的蚁群聚类算法在图像识别中的研究 | 第38-43页 |
| 5.1 引言 | 第38页 |
| 5.2 提取区域的颜色特征 | 第38-39页 |
| 5.3 提取区域的熵信息 | 第39-40页 |
| 5.4 融合颜色和熵特征的蚁群聚类算法在图像识别中的研究 | 第40-41页 |
| 5.5 实验仿真及结果分析 | 第41-42页 |
| 5.6 本章小结 | 第42-43页 |
| 第6章 结论 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 致谢 | 第49-50页 |
| 在学期间学术成果情况 | 第50页 |