| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 本论文选题的背景及意义 | 第11-12页 |
| 1.2 本论文研究问题的国内外现状 | 第12-16页 |
| 1.2.1 图像分割研究的国内外现状 | 第12-15页 |
| 1.2.2 聚类技术的国内外研究现状 | 第15-16页 |
| 1.2.3 缺陷检测的国内外研究现状 | 第16页 |
| 1.3 本论文各章节的主要内容 | 第16-19页 |
| 第2章 聚类分析及粒子群算法介绍 | 第19-39页 |
| 2.1 聚类分析定义及方法 | 第19-20页 |
| 2.2 传统的聚类分析方法 | 第20-27页 |
| 2.2.1 划分方法中的K-means聚类算法 | 第20-22页 |
| 2.2.2 层次方法中的凝聚型层次聚类算法 | 第22-24页 |
| 2.2.3 基于密度方法中的DBSCAN算法 | 第24-25页 |
| 2.2.4 基于模型方法中的神经网络聚类算法 | 第25-27页 |
| 2.3 现代的聚类分析方法 | 第27-29页 |
| 2.3.1 模糊聚类 | 第27-28页 |
| 2.3.2 量子聚类 | 第28页 |
| 2.3.3 谱聚类 | 第28-29页 |
| 2.4 聚类方法的特点及应用 | 第29-30页 |
| 2.4.1 聚类分析方法的特点 | 第29页 |
| 2.4.2 聚类分析方法的应用 | 第29-30页 |
| 2.5 粒子群优化算法 | 第30-39页 |
| 2.5.1 粒子群算法的背景 | 第30页 |
| 2.5.2 粒子群算法的理论基础 | 第30-32页 |
| 2.5.3 粒子群算法的运行流程 | 第32页 |
| 2.5.4 粒子群算法的优化 | 第32-36页 |
| 2.5.5 粒子群算法的优缺点 | 第36-39页 |
| 第3章 基于改进FCM聚类算法的图像分割 | 第39-69页 |
| 3.1 模糊C均值聚类算法(FCM) | 第39-42页 |
| 3.1.1 模糊C均值聚类算法原理 | 第39-40页 |
| 3.1.2 FCM算法过程 | 第40-41页 |
| 3.1.3 FCM算法的优缺点 | 第41-42页 |
| 3.2 聚类中心优化 | 第42-44页 |
| 3.3 聚类加权指数的优化 | 第44-50页 |
| 3.3.1 基于二维直方图的FCM聚类算法 | 第44页 |
| 3.3.2 基于二维直方图的FCM算法优化 | 第44-46页 |
| 3.3.3 算法结果比较 | 第46-50页 |
| 3.4 算法中空间因素及目标函数的优化 | 第50-53页 |
| 3.4.1 加入空间因素的FCM算法(FCMS) | 第50页 |
| 3.4.2 FLICM算法 | 第50-51页 |
| 3.4.3 改进空间因素的FCM算法(FCMIS) | 第51-52页 |
| 3.4.4 目标函数改进 | 第52-53页 |
| 3.5 本文算法流程及实验结果(MFCM) | 第53-69页 |
| 3.5.1 算法流程 | 第53页 |
| 3.5.2 图像分割的评定 | 第53-55页 |
| 3.5.3 实验结果及分析 | 第55-69页 |
| 第4章 工业品缺陷检测应用 | 第69-75页 |
| 4.1 工业缺陷检测过程 | 第69-70页 |
| 4.2 缺陷特征的分割标准及分析 | 第70-71页 |
| 4.3 基于FCM的图像分割应用 | 第71-74页 |
| 4.4 结论 | 第74-75页 |
| 第5章 总结与展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 在学期间主要科研成果 | 第85页 |