| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景及意义 | 第10-12页 |
| 1.1.1 图像分割的背景 | 第10-11页 |
| 1.1.2 图像分割的意义 | 第11-12页 |
| 1.2 图像分割的概念 | 第12-13页 |
| 1.3 图像分割算法的概述 | 第13-16页 |
| 1.4 本文主要内容 | 第16-18页 |
| 第2章 智能优化算法 | 第18-32页 |
| 2.1 智能优化算法的研究背景 | 第18-19页 |
| 2.2 传统优化算法的局限性及其基本步骤 | 第19-22页 |
| 2.2.1 传统优化方法的局限性 | 第19-21页 |
| 2.2.2 传统优化算法的基本步骤 | 第21-22页 |
| 2.3 智能优化算法的产生和发展 | 第22-25页 |
| 2.3.1 智能优化算法的产生 | 第22-23页 |
| 2.3.2 智能优化算法的发展历程 | 第23-25页 |
| 2.4 图像分割当中常用的两种智能优化算法 | 第25-31页 |
| 2.4.1 蚁群算法 | 第25-27页 |
| 2.4.2 遗传算法 | 第27-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 改进的和声搜索算法 | 第32-44页 |
| 3.1 和声搜索算法 | 第32-36页 |
| 3.2 改进的和声搜索算法 | 第36-37页 |
| 3.3 数值实验 | 第37-43页 |
| 3.3.1 测试函数 | 第37页 |
| 3.3.2 实验参数设定 | 第37-38页 |
| 3.3.3 算法性能测试及结果分析 | 第38-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 改进和声搜索的FCM算法在图像分割中的应用 | 第44-68页 |
| 4.1 聚类 | 第44-50页 |
| 4.1.1 聚类分析 | 第44-46页 |
| 4.1.2 模糊聚类算法的发展概况 | 第46-47页 |
| 4.1.3 硬C-均值聚类算法(HCM) | 第47-48页 |
| 4.1.4 模糊C-均值聚类算法(FCM) | 第48-50页 |
| 4.2 基于蚁群算法的模糊C-均值聚类算法 | 第50-57页 |
| 4.2.1 蚁群算法 | 第50-55页 |
| 4.2.2 基于蚁群算法的FCM算法 | 第55-57页 |
| 4.3 基于改进和声搜索的模糊C-均值聚类算法 | 第57-67页 |
| 4.3.1 模糊C-均值聚类(FCM) | 第57-58页 |
| 4.3.2 改进和声搜索算法搜索聚类中心 | 第58-59页 |
| 4.3.3 确定聚类中心数 | 第59-61页 |
| 4.3.4 改进和声搜索的FCM算法的对比实验和实验结果 | 第61-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 结论与展望 | 第68-70页 |
| 5.1 全文工作总结 | 第68-69页 |
| 5.2 未来研究展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |