| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 谱聚类算法的国内外研究状况 | 第10-11页 |
| 1.3 论文的内容安排 | 第11-13页 |
| 第二章 医学图像分割方法研究 | 第13-23页 |
| 2.1 基于边缘的分割算法 | 第13-16页 |
| 2.1.1 点检测 | 第14页 |
| 2.1.2 线检测 | 第14-15页 |
| 2.1.3 边缘检测 | 第15-16页 |
| 2.2 基于阈值的分割方法 | 第16-18页 |
| 2.2.1 局部阈值分割法 | 第17页 |
| 2.2.2 全局阈值分割法 | 第17-18页 |
| 2.3 基于区域的分割方法 | 第18-21页 |
| 2.3.1 区域生长算法 | 第19页 |
| 2.3.2 基于形态学标记分水岭算法 | 第19-21页 |
| 2.3.3 基于最大稳定极值区域（MSER）算法 | 第21页 |
| 2.4 结合特定理论的分割方法 | 第21-23页 |
| 第三章 谱聚类算法研究 | 第23-30页 |
| 3.1 聚类分析 | 第23页 |
| 3.2 谱聚类算法理论基础 | 第23-30页 |
| 3.2.1 K-means聚类算法 | 第24-25页 |
| 3.2.2 谱图理论 | 第25-27页 |
| 3.2.3 拉普拉斯矩阵性质 | 第27-28页 |
| 3.2.4 算法具体实现 | 第28-30页 |
| 第四章 改进的谱聚类算法研究 | 第30-45页 |
| 4.1 基于分块提取局部特征方法 | 第31-32页 |
| 4.2 相似性度量方法 | 第32-35页 |
| 4.2.1 欧氏距离(Euclidean Distance)相似性度量 | 第32-33页 |
| 4.2.2 马氏距离(Manhattan Distance)相似性度量 | 第33页 |
| 4.2.3 曼哈顿距离(Manhattan Distance)相似性度量 | 第33-34页 |
| 4.2.4 流行学习（Manifold Learning）相似性度量 | 第34-35页 |
| 4.3 MDMSC算法 | 第35-36页 |
| 4.4 实验比较与分析 | 第36-45页 |
| 4.4.1 实验数据与评价 | 第36-37页 |
| 4.4.2 实验结果比较 | 第37-39页 |
| 4.4.3 实验分析 | 第39-45页 |
| 第五章 本文总结与展望 | 第45-47页 |
| 5.1 本文总结 | 第45页 |
| 5.2 本文展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 附录 | 第52-53页 |
| 致谢 | 第53-54页 |
