| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究的背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文内容的安排 | 第11-13页 |
| 1.3.1 本文主要研究内容 | 第11-12页 |
| 1.3.2 章节安排 | 第12-13页 |
| 第二章 聚类分析概述 | 第13-22页 |
| 2.1 聚类分析的基本概念 | 第13-14页 |
| 2.2 聚类分析的要求 | 第14-15页 |
| 2.3 数据相似性判断标准 | 第15-16页 |
| 2.4 常见聚类算法分类 | 第16-21页 |
| 2.4.1 基于划分的方法 | 第16-17页 |
| 2.4.2 基于层次的方法 | 第17-19页 |
| 2.4.3 基于密度的方法 | 第19-21页 |
| 2.4.4 基于网格的方法 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 K-means算法的改进 | 第22-35页 |
| 3.1 类簇数目和初始中心点自确定的K-means算法 | 第22-28页 |
| 3.1.1 相关概念 | 第22-24页 |
| 3.1.2 CNACS-Kmeans的基本思想 | 第24-25页 |
| 3.1.3 回归分析确定聚类中心 | 第25-27页 |
| 3.1.4 算法的具体步骤 | 第27-28页 |
| 3.2 仿真实验及结果分析 | 第28-33页 |
| 3.2.1 二维数据集的实验 | 第28-30页 |
| 3.2.2 高维数据集的实验 | 第30-33页 |
| 3.3 本章小结 | 第33-35页 |
| 第四章 改进K-means预分割和区域合并的彩色图像分割方法 | 第35-57页 |
| 4.1 图像分割的基本概念 | 第35-36页 |
| 4.2 彩色图像分割方法 | 第36-40页 |
| 4.2.1 阈值分割法 | 第36-37页 |
| 4.2.2 区域分割法 | 第37-38页 |
| 4.2.3 边缘分割法 | 第38-39页 |
| 4.2.4 聚类分析法 | 第39页 |
| 4.2.5 神经网络法 | 第39-40页 |
| 4.3 图像的滤波处理 | 第40-44页 |
| 4.3.1 中值滤波 | 第40-41页 |
| 4.3.2 高斯滤波 | 第41-44页 |
| 4.4 改进K-means预分割及区域合并 | 第44-52页 |
| 4.4.1 改进的K-means预分割策略 | 第44-46页 |
| 4.4.2 区域合并及停止策略 | 第46-52页 |
| 4.5 实验结果及分析 | 第52-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-58页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文 | 第63页 |