| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 引言 | 第7-8页 |
| 1.2 图像分割算法及其发展现状 | 第8-10页 |
| 1.2.1 空间区域信息分割法 | 第8-9页 |
| 1.2.2 边缘检测分割法 | 第9页 |
| 1.2.3 遗传算法分割法 | 第9页 |
| 1.2.4 阈值分割法 | 第9-10页 |
| 1.2.5 基于特定理论的图像分割法 | 第10页 |
| 1.3 图像噪声及其对图像分割的影响 | 第10-13页 |
| 1.3.1 图像噪声的分类 | 第10-11页 |
| 1.3.2 图像去噪技术 | 第11-13页 |
| 1.4 图像质量评价 | 第13-14页 |
| 1.5 文章组织结构 | 第14-15页 |
| 第二章 基于有限混合模型图像分割相关理论 | 第15-26页 |
| 2.1 聚类分割算法 | 第15-19页 |
| 2.1.1 K-means聚类算法 | 第15-17页 |
| 2.1.2 FCM算法及其原理 | 第17-19页 |
| 2.2 有限混合模型 | 第19-20页 |
| 2.2.1 研究背景和现状 | 第19页 |
| 2.2.2 混合模型的局限性 | 第19-20页 |
| 2.3 高斯混合模型及相关理论 | 第20-23页 |
| 2.3.1 高斯混合模型 | 第20页 |
| 2.3.2 似然函数 | 第20-21页 |
| 2.3.3 EM算法 | 第21-22页 |
| 2.3.4 梯度下降算法 | 第22-23页 |
| 2.4 图像分割评价 | 第23-26页 |
| 第三章 基于student-t分布的混合模型图像分割方法研究 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 基于有限混合模型图像分割研究 | 第26-29页 |
| 3.2.1 有限混合模型 | 第26-27页 |
| 3.2.2 改进高斯混合模型（GMMS） | 第27页 |
| 3.2.3 student-t分布 | 第27-28页 |
| 3.2.4 重尾噪声模型 | 第28-29页 |
| 3.3 Student-t分布处理重尾噪声算法 | 第29-32页 |
| 3.3.1 基于空间领域关系的先验概率 | 第29-30页 |
| 3.3.2 参数优化算法 | 第30-32页 |
| 3.4 实验结果及分析 | 第32-38页 |
| 3.4.1 实验结果评价指标 | 第32页 |
| 3.4.2 合成图像实验对比 | 第32-36页 |
| 3.4.3 真实图像实验对比 | 第36-38页 |
| 第四章 基于噪音受益的快速图像分割算法 | 第38-52页 |
| 4.1 加噪声的最大期望（EM）算法 | 第38-42页 |
| 4.1.1 NEM定理 | 第39-40页 |
| 4.1.2 NEM推论 | 第40-42页 |
| 4.2 本章算法 | 第42-43页 |
| 4.2.1 算法描述 | 第42-43页 |
| 4.3 实验与性能分析 | 第43-52页 |
| 4.3.1 合成图像实验对比 | 第43-49页 |
| 4.3.2 真实图像实验对比 | 第49-52页 |
| 主要结论与展望 | 第52-54页 |
| 主要结论 | 第52页 |
| 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第57页 |