| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与研究意义 | 第9-11页 |
| 1.1.1 车牌字符分割技术的背景和意义 | 第9-10页 |
| 1.1.2 聚类算法的背景和意义 | 第10-11页 |
| 1.2 车牌字符分割研究现状 | 第11-13页 |
| 1.3 基于聚类算法的图像分割方法及国内外研究现状 | 第13-14页 |
| 1.4 本文研究内容与结构安排 | 第14-15页 |
| 2 图像分割相关方法 | 第15-26页 |
| 2.1 图像分割综述 | 第15-16页 |
| 2.1.1 图像分割的类别 | 第15页 |
| 2.1.2 图像分割方法的思路及运行条件 | 第15-16页 |
| 2.2 常见的图像分割方法 | 第16-20页 |
| 2.2.1 基于阈值方法的图像分割 | 第16-17页 |
| 2.2.2 基于边缘的图像分割 | 第17-20页 |
| 2.2.3 基于聚类的图像分割 | 第20页 |
| 2.3 常用车牌字符分割方法 | 第20-25页 |
| 2.3.1 基于垂直投影的车牌字符分割 | 第21-22页 |
| 2.3.2 基于Kmeans的车牌字符分割 | 第22-23页 |
| 2.3.3 基于模糊C均值(FCM)的图像分割方法 | 第23-25页 |
| 2.4 车牌字符分割算法实验结果分析 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 AP聚类算法的改进 | 第26-37页 |
| 3.1 AP聚类算法概述 | 第26页 |
| 3.2 AP聚类算法的相似度矩阵 | 第26-27页 |
| 3.3 AP聚类算法的信息参量矩阵 | 第27-28页 |
| 3.4 AP聚类算法的改进 | 第28-29页 |
| 3.5 聚类算法有效性指标 | 第29页 |
| 3.5.1 划分系数 | 第29页 |
| 3.5.2 划分熵 | 第29页 |
| 3.6 实验结果与分析 | 第29-36页 |
| 3.6.1 正负样本数据实验 | 第29-31页 |
| 3.6.2 Iris数据实验 | 第31-33页 |
| 3.6.3 abalone数据实验 | 第33-34页 |
| 3.6.4 wine数据实验 | 第34-36页 |
| 3.7 UCI 数据测试实验结果分析 | 第36页 |
| 3.8 本章小结 | 第36-37页 |
| 4 改进AP聚类算法在车牌字符分割中的应用 | 第37-43页 |
| 4.1 AP聚类在车牌字符分割中的应用 | 第37页 |
| 4.2 车牌定位 | 第37-38页 |
| 4.3 车牌字符初始分割 | 第38-40页 |
| 4.3.1 车牌字符高度估计 | 第38-39页 |
| 4.3.2 车牌字符宽度估计 | 第39-40页 |
| 4.4 实验结果与分析 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 5 结论与展望 | 第43-44页 |
| 致谢 | 第44-45页 |
| 在校期间科研成果 | 第45-46页 |
| 参考文献 | 第46-47页 |