| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 蚁群算法的研究与发展 | 第10-11页 |
| 1.2.2 混沌理论研究与发展 | 第11-12页 |
| 1.2.3 图像分割算法研究与发展 | 第12-14页 |
| 1.3 论文研究内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 2 图像分割 | 第16-21页 |
| 2.1 图像分割定义 | 第16页 |
| 2.2 传统图像分割方法 | 第16-18页 |
| 2.2.1 阈值分割 | 第16-17页 |
| 2.2.2 边缘检测 | 第17页 |
| 2.2.3 区域增长 | 第17-18页 |
| 2.3 基于特定理论的图像分割算法 | 第18-20页 |
| 2.3.1 基于粒子群算法的图像分割方法 | 第18-19页 |
| 2.3.2 基于遗传算法的图像分割方法 | 第19页 |
| 2.3.3 基于鱼群算法的图像分割方法 | 第19-20页 |
| 2.3.4 基于模糊C均值聚类算法的图像分割方法 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 混沌蚁群算法理论 | 第21-32页 |
| 3.1 蚁群算法 | 第21-26页 |
| 3.1.1 蚁群算法仿生学根基 | 第21页 |
| 3.1.2 蚁群算法原理 | 第21-23页 |
| 3.1.3 蚁群算法模型 | 第23-25页 |
| 3.1.4 蚁群算法实现 | 第25-26页 |
| 3.2 混沌理论 | 第26-28页 |
| 3.2.1 混沌理论定义 | 第26-27页 |
| 3.2.2 混沌理论特性 | 第27-28页 |
| 3.3 混沌蚁群算法 | 第28-31页 |
| 3.3.1 Cantor展开 | 第29-30页 |
| 3.3.2 Logistic映射 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于混沌蚁群的图像分割算法及其应用 | 第32-51页 |
| 4.1 算法基本思想 | 第32-33页 |
| 4.2 算法实现 | 第33-34页 |
| 4.3 算法改进 | 第34-36页 |
| 4.4 实验结果与分析 | 第36-49页 |
| 4.4.1 图像分割评价体系 | 第36-37页 |
| 4.4.2 基于改进混沌蚁群的图像分割算法在灰度图像中的应用实验 | 第37-44页 |
| 4.4.3 基于改进混沌蚁群的图像分割算法在HSV图像中的应用实验 | 第44-49页 |
| 4.5 本章小结 | 第49-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 作者简历 | 第57-59页 |
| 学位论文数据集 | 第59页 |