基于梯度阈值分割和混合进化算法的图像配准研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的及意义 | 第11-13页 |
| 1.3 图像配准方法的分类 | 第13-14页 |
| 1.4 图像配准的研究现状 | 第14-15页 |
| 1.5 论文的主要研究内容及结构安排 | 第15-17页 |
| 1.5.1 论文的主要研究内容 | 第15-16页 |
| 1.5.2 论文的章安排 | 第16-17页 |
| 第2章 图像配准的基本原理 | 第17-31页 |
| 2.1 图像配准的数学模型 | 第17-18页 |
| 2.2 图像配准的步骤 | 第18-19页 |
| 2.3 空间变换 | 第19-22页 |
| 2.4 图像插值算法 | 第22-24页 |
| 2.5 相似性测度 | 第24-27页 |
| 2.6 优化算法 | 第27-30页 |
| 2.6.1 传统优化算法 | 第27-28页 |
| 2.6.2 智能优化算法 | 第28-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 I_α信息测度与梯度阈值分割方法 | 第31-50页 |
| 3.1 熵的概念与性质 | 第31-33页 |
| 3.1.1 熵的定义 | 第31-32页 |
| 3.1.2 熵的基本性质 | 第32页 |
| 3.1.3 条件熵和联合熵 | 第32-33页 |
| 3.2 互信息 | 第33-35页 |
| 3.2.1 互信息的定义 | 第33-34页 |
| 3.2.2 互信息的性质 | 第34-35页 |
| 3.3 f散度 | 第35-37页 |
| 3.3.1 f散度的定义 | 第35-36页 |
| 3.3.2 f散度几个的特例 | 第36-37页 |
| 3.4 f信息 | 第37-38页 |
| 3.5 梯度阈值分割 | 第38-41页 |
| 3.5.1 图像的梯度信息 | 第38-39页 |
| 3.5.2 基于梯度阈值分割的图像增强 | 第39-41页 |
| 3.6 仿真验证 | 第41-48页 |
| 3.7 本章小结 | 第48-50页 |
| 第4章 基于多阶段混合优化算法 | 第50-62页 |
| 4.1 量子粒子群算法 | 第50-54页 |
| 4.1.1 粒子群优化算法 | 第50-52页 |
| 4.1.2 量子粒子群优化算法 | 第52-54页 |
| 4.2 NM单纯形 | 第54-57页 |
| 4.3 多阶段混合优化算法 | 第57-59页 |
| 4.3.1 改进后的量子粒子群算法 | 第57-58页 |
| 4.3.2 第二阶段算法 | 第58-59页 |
| 4.4 图像配准实验及结果分析 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 结论与展望 | 第62-64页 |
| 5.1 结论 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
