基于云模型的图像多粒度聚类研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 图像分割研究现状 | 第9-11页 |
| 1.2.2 多粒度理论研究现状 | 第11-12页 |
| 1.3 现有研究存在的问题 | 第12-13页 |
| 1.4 本文研究内容和组织结构 | 第13-14页 |
| 第2章 相关理论研究 | 第14-21页 |
| 2.1 多粒度理论 | 第14-15页 |
| 2.2 云模型理论 | 第15-20页 |
| 2.2.1 云模型的定义 | 第15-16页 |
| 2.2.2 云模型的数字特征 | 第16-18页 |
| 2.2.3 云模型的相关算法 | 第18-20页 |
| 2.3 基于云模型的多粒度聚类 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于高斯云变换的遥感图像多粒度聚类 | 第21-38页 |
| 3.1 遥感图像的多粒度分割 | 第21-22页 |
| 3.2 高斯云变换 | 第22-25页 |
| 3.2.1 高斯混合模型 | 第22页 |
| 3.2.2 云模型的概念共识 | 第22-23页 |
| 3.2.3 自适应高斯云变换 | 第23-25页 |
| 3.3 基于高斯云变换的多粒度聚类 | 第25-31页 |
| 3.3.1 算法效率的提升 | 第25-27页 |
| 3.3.2 概念跃升策略的优化 | 第27-29页 |
| 3.3.3 概念划分的改进 | 第29页 |
| 3.3.4 算法流程 | 第29-31页 |
| 3.4 实验结果与分析 | 第31-36页 |
| 3.4.1 多粒度聚类分析 | 第31-33页 |
| 3.4.2 本章方法与A-GCT算法的对比实验 | 第33-35页 |
| 3.4.3 本章方法与其他算法的对比实验 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 结合区域云变换的彩色图像多粒度聚类 | 第38-50页 |
| 4.1 彩色图像的多粒度分割 | 第38页 |
| 4.2 颜色空间的选择与量化 | 第38-40页 |
| 4.3 结合区域云变换的多粒度聚类 | 第40-45页 |
| 4.3.1 空间信息的构造 | 第41-42页 |
| 4.3.2 基于区域云变换的图像粒化 | 第42-43页 |
| 4.3.3 基于多粒度的区域合并 | 第43-45页 |
| 4.3.4 算法流程 | 第45页 |
| 4.4 实验结果与分析 | 第45-49页 |
| 4.4.1 云模型的“3En”规则验证 | 第46页 |
| 4.4.2 实验对比结果 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第58页 |
