| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-10页 |
| 1 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 图像分割概述及研究现状 | 第12-14页 |
| 1.2.1 图像分割概述 | 第12页 |
| 1.2.2 图像分割的评价标准 | 第12-13页 |
| 1.2.3 图像分割研究现状 | 第13-14页 |
| 1.3 模糊聚类算法概述 | 第14-16页 |
| 1.4 论文整体结构安排 | 第16-18页 |
| 2 基于 FCM 算法的图像分割 | 第18-24页 |
| 2.1 模糊聚类理论 | 第18-21页 |
| 2.1.1 模糊集合理论 | 第18-19页 |
| 2.1.2 聚类方法理论 | 第19-20页 |
| 2.1.3 模糊聚类算法 | 第20-21页 |
| 2.2 模糊 C 均值聚类算法 | 第21-23页 |
| 2.2.1 硬均值聚类算法 | 第21-22页 |
| 2.2.2 传统模糊 C 均值算法 | 第22-23页 |
| 2.3 基于 FCM 的图像分割中的应用 | 第23-24页 |
| 3 基于灰度与空间信息的 FCM 图像分割 | 第24-36页 |
| 3.1 图像灰度信息和空间信息的二维向量和二维直方图定义 | 第24-25页 |
| 3.2 基于灰度和空间信息的 FCM 图像分割 | 第25-26页 |
| 3.3 基于灰度和空间信息特征加权的 FCM 图像分割 | 第26-30页 |
| 3.3.1 提出模型 | 第26-27页 |
| 3.3.2 确定权重 | 第27-28页 |
| 3.3.3 具体算法步骤 | 第28-29页 |
| 3.3.4 针对该算法的有效性评价方法 | 第29-30页 |
| 3.4 算法结果与分析 | 第30-34页 |
| 3.4.1 三种算法对人工图像的分割结果与分析 | 第30-32页 |
| 3.4.2 三种算法对实际图像的分割结果与分析 | 第32-34页 |
| 3.5 本章小结 | 第34-36页 |
| 4 基于混沌粒子群和模糊聚类的图像分割算法 | 第36-47页 |
| 4.1 标准粒子群算法 | 第36-38页 |
| 4.1.1 粒子群算法简介 | 第36页 |
| 4.1.2 标准粒子群算法简介 | 第36-38页 |
| 4.2 混沌粒子群算法 | 第38-39页 |
| 4.2.1 粒子群算法的改进 | 第38页 |
| 4.2.2 混沌粒子群优化算法 | 第38-39页 |
| 4.3 基于混沌粒子群的加权模糊聚类算法 | 第39-43页 |
| 4.3.1 粒子群优化算法早熟的判断 | 第40-41页 |
| 4.3.2 基于混沌粒子群的模糊均值聚类算法 | 第41-43页 |
| 4.4 算法结果与分析 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 下一步的研究工作 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-52页 |