| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-21页 |
| 1.1 图像分割的研究背景与意义 | 第12-13页 |
| 1.2 图像分割的经典方法及改进策略 | 第13-16页 |
| 1.2.1 阈值法及改进方法 | 第13-14页 |
| 1.2.2 边缘分割及改进方法 | 第14-15页 |
| 1.2.3 区域分割及改进方法 | 第15-16页 |
| 1.3 图像分割的研究现状及进展 | 第16-19页 |
| 1.3.1 图论 | 第16-17页 |
| 1.3.2 聚类分析 | 第17-18页 |
| 1.3.3 分类器 | 第18-19页 |
| 1.3.4 聚类与分类器相结合 | 第19页 |
| 1.4 本文的结构安排 | 第19-21页 |
| 2 理论基础 | 第21-36页 |
| 2.1 支持向量机 | 第21-25页 |
| 2.2 最小二乘支持向量机 | 第25-26页 |
| 2.3 BP神经网络 | 第26-29页 |
| 2.4 核极限学习机 | 第29-34页 |
| 2.5 本章总结 | 第34-36页 |
| 3 基于显著图的核极限学习机方法 | 第36-46页 |
| 3.1 显著图概述 | 第36页 |
| 3.2 显著性检测 | 第36-38页 |
| 3.2.1 自顶向下的图像显著性检测方法 | 第37页 |
| 3.2.2 自底向上的图像显著性检测方法 | 第37-38页 |
| 3.3 SR算法 | 第38-40页 |
| 3.3.1 log频谱 | 第38-39页 |
| 3.3.2 获取显著图 | 第39-40页 |
| 3.4 SR-KELM彩色图像分割算法 | 第40-42页 |
| 3.5 实验设计及测试分析 | 第42-45页 |
| 3.5.1 实验的主要硬件配置 | 第42页 |
| 3.5.2 实验的运行环境 | 第42页 |
| 3.5.3 实验的彩色图像来源 | 第42-43页 |
| 3.5.4 实验测试分析 | 第43-45页 |
| 3.6 本章总结 | 第45-46页 |
| 4 FCM预分类核极限学习机方法 | 第46-56页 |
| 4.1 FCM预分类训练样本 | 第46-49页 |
| 4.1.1 FCM算法 | 第46-47页 |
| 4.1.2 FCM预分类训练样本算法 | 第47-49页 |
| 4.2 FCM预分类核极限学习机彩色图像分割算法 | 第49-50页 |
| 4.3 实验设计及测试分析 | 第50-54页 |
| 4.3.1 实验设计一 | 第50-51页 |
| 4.3.2 实验设计二 | 第51-54页 |
| 4.4 本章总结 | 第54-56页 |
| 5 PSO优化的彩色图像分割算法 | 第56-67页 |
| 5.1 粒子群优化算法 | 第56-57页 |
| 5.2 粒子群优化的多核极限学习机 | 第57-60页 |
| 5.3 FCM预分类的粒子群优化的多核极限学习机算法流程 | 第60-61页 |
| 5.4 实验测试及分析 | 第61-66页 |
| 5.5 本章总结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第73页 |