| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 引言 | 第10-20页 |
| 1.1 聚类的意义和应用领域 | 第10-13页 |
| 1.2 聚类的定义及分类 | 第13-14页 |
| 1.3 半聚类方法 | 第14-15页 |
| 1.3.1 参数活动轮廓模型 | 第14页 |
| 1.3.2 水平集模型 | 第14-15页 |
| 1.3.3 权重图模型 | 第15页 |
| 1.4 无监督聚类方法 | 第15-18页 |
| 1.4.1 划分方法 | 第16页 |
| 1.4.2 层次聚类方法 | 第16-17页 |
| 1.4.3 谱聚类方法 | 第17页 |
| 1.4.4 神经网络方法 | 第17-18页 |
| 1.5 本文的主要工作和结构安排 | 第18-20页 |
| 第二章 本文涉及的基本概念 | 第20-36页 |
| 2.1 图的基本概念 | 第20-23页 |
| 2.2 随机过程 | 第23-25页 |
| 2.3 拉普拉斯算子 | 第25-28页 |
| 2.4 无向简单图上的随机游走 | 第28-29页 |
| 2.5 电网理论 | 第29页 |
| 2.6 讨论 | 第29-34页 |
| 2.7 小结 | 第34-36页 |
| 第三章 惩罚随机游走方法用于图像像素聚类 | 第36-56页 |
| 3.1 图像分割背景介绍 | 第36-37页 |
| 3.2 图像分割与图像像素聚类的联系 | 第37页 |
| 3.3 图像的数值表示 | 第37-41页 |
| 3.4 基于图的聚类方法 | 第41-43页 |
| 3.5 随机游走用于图像分割 | 第43-46页 |
| 3.5.1 交互式分割与种子点的定义 | 第43页 |
| 3.5.2 图上的随机游走 | 第43-45页 |
| 3.5.3 随机游走用于图像分割的不足 | 第45-46页 |
| 3.6 惩罚随机游走用于图像分割 | 第46-48页 |
| 3.7 惩罚随机游走的一个数值例子 | 第48-53页 |
| 3.8 实验对比 | 第53-55页 |
| 3.9 小结 | 第55-56页 |
| 第四章 吸引传播算法用于肠镜图像分割 | 第56-85页 |
| 4.1 结直肠癌的背景知识 | 第56-63页 |
| 4.1.1 课题研究意义 | 第56-59页 |
| 4.1.2 NNUC公开肠镜图像数据集 | 第59-63页 |
| 4.2 吸引传播算法 | 第63-72页 |
| 4.2.1 基于肠镜拍摄过程的种子点位置初始化方法 | 第64-65页 |
| 4.2.2 吸引传播算法的表示 | 第65-66页 |
| 4.2.3 吸引传播区域和一些细节的讨论 | 第66-72页 |
| 4.3 实验对比 | 第72-84页 |
| 4.3.1 公开肠镜数据集 | 第72-73页 |
| 4.3.2 评价指标 | 第73-75页 |
| 4.3.3 公开数据集一的数值对比结果 | 第75-76页 |
| 4.3.4 公开数据集二的数值对比结果 | 第76-77页 |
| 4.3.5 公开数据集三的数值对比结果 | 第77-79页 |
| 4.3.6 公开数据集计算时间对比 | 第79-80页 |
| 4.3.7 吸引传播算法的超参数选择 | 第80-84页 |
| 4.4 小结 | 第84-85页 |
| 第五章 隐树模型的高维变量聚类新方法 | 第85-104页 |
| 5.1 背景介绍 | 第85-86页 |
| 5.2 隐树模型和相关模型 | 第86-90页 |
| 5.2.1 隐树模型的基本概念 | 第87-90页 |
| 5.2.2 隐树模型的几个特殊例子 | 第90页 |
| 5.3 高维离散随机变量层次聚类方法 | 第90-98页 |
| 5.3.1 凝聚算法用于层次聚类 | 第91-93页 |
| 5.3.2 凝聚算法的概率渐近正确性 | 第93-96页 |
| 5.3.3 关于算法样本量与恢复树结构的讨论 | 第96-98页 |
| 5.4 实验对比 | 第98-103页 |
| 5.4.1 评价指标 | 第98-99页 |
| 5.4.2 市长公开电话数据集 | 第99页 |
| 5.4.3 纽约时报数据集 | 第99-102页 |
| 5.4.4 运行时间对比 | 第102-103页 |
| 5.5 小结 | 第103-104页 |
| 第六章 总结与展望 | 第104-106页 |
| 6.1 本文工作总结 | 第104页 |
| 6.2 未来工作 | 第104-106页 |
| 参考文献 | 第106-110页 |
| 攻读博士学位期间发表论文情况 | 第110页 |