基于稀疏表示的彩色图像分割方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文的主要内容及安排 | 第10-12页 |
| 第2章 彩色图像分割算法 | 第12-23页 |
| 2.1 基于阈值的方法 | 第12-14页 |
| 2.1.1 直方图阈值法 | 第12-13页 |
| 2.1.2 迭代最佳阈值法 | 第13页 |
| 2.1.3 最大类间方差法 | 第13-14页 |
| 2.2 基于聚类的分割方法 | 第14-15页 |
| 2.2.1 K-均值聚类 | 第14-15页 |
| 2.2.2 模糊C均值聚类 | 第15页 |
| 2.3 基于区域的分割方法 | 第15-18页 |
| 2.3.1 区域生长与区域合并 | 第15-16页 |
| 2.3.2 分水岭分割方法 | 第16-18页 |
| 2.4 基于特定理论的分割方法 | 第18-21页 |
| 2.4.1 人工神经网络 | 第18-19页 |
| 2.4.2 遗传算法 | 第19-21页 |
| 2.4.3 基于颜色模型的方法 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 稀疏表示和字典学习算法分析 | 第23-29页 |
| 3.1 图像的稀疏表示原理 | 第23-24页 |
| 3.2 追踪算法 | 第24-25页 |
| 3.2.1 匹配追踪算法 | 第24页 |
| 3.2.2 正交匹配追踪算法 | 第24-25页 |
| 3.3 字典学习算法 | 第25-28页 |
| 3.3.1 DCT初始字典 | 第25-26页 |
| 3.3.2 MOD算法 | 第26-27页 |
| 3.3.3 K-SVD算法 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 基于稀疏表示的彩色图像分割算法 | 第29-48页 |
| 4.1 引言 | 第29页 |
| 4.2 边缘检测算法 | 第29-32页 |
| 4.2.1 边缘检测概念 | 第29-30页 |
| 4.2.2 边缘检测算子 | 第30-32页 |
| 4.3 基于稀疏表示的彩色图像边缘检测算法 | 第32-41页 |
| 4.3.1 引入稀疏表示的边缘检测算法思想 | 第32-33页 |
| 4.3.2 算法过程描述 | 第33-35页 |
| 4.3.3 实验过程 | 第35-40页 |
| 4.3.4 实验结果分析 | 第40-41页 |
| 4.4 基于稀疏表示的彩色图像分割算法 | 第41-47页 |
| 4.4.1 引入稀疏表示的彩色图像分割算法思想 | 第41-42页 |
| 4.4.2 算法过程描述 | 第42-43页 |
| 4.4.3 实验过程 | 第43-46页 |
| 4.4.4 实验结果分析 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 在读期间发表的学术论文及研究成果 | 第53-54页 |
| 致谢 | 第54页 |
