| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| §1.1 课题背景及其意义 | 第9-10页 |
| §1.2 研究现状 | 第10-12页 |
| §1.3 论文的主要工作与章节安排 | 第12-15页 |
| 第二章 预备知识 | 第15-25页 |
| §2.1 变分法和梯度下降法 | 第15-18页 |
| §2.1.1 变分法 | 第15-17页 |
| §2.1.2 梯度下降法 | 第17-18页 |
| §2.2 K均值聚类算法 | 第18-19页 |
| §2.3 Lagrange乘子法和增广Lagrange乘子法 | 第19-21页 |
| §2.3.1 Lagrange乘子法 | 第19-20页 |
| §2.3.2 增广Lagrange乘子法 | 第20-21页 |
| §2.4 Chambolle对偶算法 | 第21-23页 |
| §2.5 本章小结 | 第23-25页 |
| 第三章 改进Chan-Vese模型的全局最小化分割方法 | 第25-35页 |
| §3.1 C-V模型及本原对偶方法 | 第25-26页 |
| §3.2 改进模型 | 第26-30页 |
| §3.2.1 改进模型的提出 | 第27-28页 |
| §3.2.2 本原对偶模型求解 | 第28-30页 |
| §3.3 数值试验 | 第30-34页 |
| §3.4 本章小结 | 第34-35页 |
| 第四章 一种新的耦合预处理技术的图像分割方法 | 第35-49页 |
| §4.1 图像预处理 | 第35-38页 |
| §4.1.1 复冲击滤波 | 第35-37页 |
| §4.1.2 数值试验 | 第37-38页 |
| §4.2 分片常数Mumford-Shah模型的图像分割方法 | 第38-44页 |
| §4.2.1 模型分析 | 第38-41页 |
| §4.2.2 算法描述 | 第41-44页 |
| §4.3 数值试验 | 第44-47页 |
| §4.4 本章小结 | 第47-49页 |
| 第五章 总结与展望 | 第49-51页 |
| §5.1 本文工作总结 | 第49页 |
| §5.2 未来展望 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 附录 | 第57-59页 |
| 致谢 | 第59页 |
