聚类分析及其在图像处理中的应用
| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-11页 |
| 目录 | 第11-14页 |
| 1 绪论 | 第14-31页 |
| ·研究背景 | 第14-20页 |
| ·聚类的应用 | 第15-18页 |
| ·聚类的关键问题 | 第18-20页 |
| ·研究现状及存在的问题 | 第20-27页 |
| ·聚类算法发展现状 | 第20-25页 |
| ·基于聚类的图像处理的研究现状 | 第25-27页 |
| ·本文主要研究内容 | 第27-28页 |
| ·论文的组织结构 | 第28-31页 |
| 2 聚类分析概述 | 第31-47页 |
| ·聚类的定义 | 第31-32页 |
| ·聚类的数据类型 | 第32-34页 |
| ·相似性计算模型 | 第34-38页 |
| ·空间相似性计算模型 | 第34-36页 |
| ·属性相似性计算模型 | 第36-37页 |
| ·变换相似性计算模型 | 第37页 |
| ·产生式相似性计算模型 | 第37-38页 |
| ·相似性融合模型 | 第38页 |
| ·聚类算法 | 第38-46页 |
| ·基于数据矩阵的聚类算法 | 第38-42页 |
| ·基于相似度矩阵的聚类算法 | 第42-46页 |
| ·本章小结 | 第46-47页 |
| 3 相似性度量 | 第47-69页 |
| ·引言 | 第47-48页 |
| ·高斯型相似度计算模型 | 第48-52页 |
| ·自适应高斯型相似性度量 | 第49-51页 |
| ·鲁棒的相似性度量 | 第51页 |
| ·新的相似性度量 | 第51-52页 |
| ·数据特征对相似度的影响 | 第52-57页 |
| ·本质维数 | 第53-55页 |
| ·本质维数估计 | 第55-56页 |
| ·本质维数特征 | 第56-57页 |
| ·基于本质维数的相似性度量 | 第57-58页 |
| ·实验与分析 | 第58-66页 |
| ·基于不同高斯型相似度的聚类结果 | 第58-64页 |
| ·基于不同特征的聚类结果 | 第64-66页 |
| ·本章小结 | 第66-69页 |
| 4 基于近邻传播算法的半监督聚类 | 第69-83页 |
| ·引言 | 第69-71页 |
| ·近邻传播聚类 | 第71-74页 |
| ·基于AP算法的半监督聚类 | 第74-76页 |
| ·实验 | 第76-81页 |
| ·实验数据 | 第77页 |
| ·比对算法 | 第77-79页 |
| ·实验结果及分析 | 第79-81页 |
| ·本章小结 | 第81-83页 |
| 5 基于家族相似性的聚类算法 | 第83-97页 |
| ·引言 | 第83-84页 |
| ·CFR算法 | 第84-87页 |
| ·相似度矩阵 | 第84-85页 |
| ·二值矩阵 | 第85-86页 |
| ·连通分支 | 第86-87页 |
| ·时间复杂度分析 | 第87页 |
| ·算法应用 | 第87-94页 |
| ·模拟数据 | 第87-88页 |
| ·图像分割 | 第88-90页 |
| ·算法的改进 | 第90-94页 |
| ·本章小结 | 第94-97页 |
| 6 基于稀疏表示的混合噪声去噪算法 | 第97-114页 |
| ·引言 | 第97-99页 |
| ·K-SVD算法 | 第99-101页 |
| ·三阶段去噪算法 | 第101-106页 |
| ·脉冲噪声检测 | 第101-102页 |
| ·MK-SVD算法 | 第102-103页 |
| ·迭代优化方法 | 第103-106页 |
| ·实验结果 | 第106-113页 |
| ·脉冲噪声去噪结果 | 第107-109页 |
| ·高斯和脉冲混合噪声去噪结果 | 第109-112页 |
| ·参数讨论 | 第112-113页 |
| ·本章小结 | 第113-114页 |
| 7 结束语 | 第114-116页 |
| ·本文主要研究工作 | 第114-115页 |
| ·进一步研究和展望 | 第115-116页 |
| 参考文献 | 第116-128页 |
| 攻读博士学位期间发表的学术论文 | 第128-132页 |
| 学位论文数据集 | 第132页 |
