基于聚类的图像分割和分类器设计的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-17页 |
| 第一章 绪论 | 第17-27页 |
| ·模式识别概述 | 第17-18页 |
| ·模式识别定义 | 第17页 |
| ·典型应用 | 第17-18页 |
| ·模式识别的分类 | 第18-21页 |
| ·根据学习方式划分 | 第18页 |
| ·根据学习目的划分 | 第18-20页 |
| ·根据样本信息的形式划分 | 第20-21页 |
| ·现有工作回顾 | 第21-25页 |
| ·无监督型聚类算法 | 第21-23页 |
| ·监督型聚类和分类算法 | 第23-25页 |
| ·本文的主要内容 | 第25-27页 |
| 第二章 快速鲁棒的模糊C 均值图像分割算法 | 第27-47页 |
| ·引言 | 第27-28页 |
| ·现有模糊C 均值图像分割算法回顾 | 第28-31页 |
| ·空间约束的模糊C 均值 | 第28-30页 |
| ·增强模糊C 均值 | 第30-31页 |
| ·快速鲁棒的模糊C 均值图像分割算法 | 第31-36页 |
| ·基于空间信息和灰度信息的相似性度量 | 第31-33页 |
| ·算法描述 | 第33-35页 |
| ·与相关算法的关系 | 第35-36页 |
| ·算法性能比较 | 第36-45页 |
| ·人工图像实验 | 第37-39页 |
| ·带噪真实图像实验 | 第39-43页 |
| ·无噪真实图像实验 | 第43-44页 |
| ·分割时间比较 | 第44-45页 |
| ·本章小结 | 第45-47页 |
| 第三章 基于高斯混合模型的有效图像分割框架 | 第47-60页 |
| ·引言 | 第47-49页 |
| ·现有的高斯混合模型及其变异 | 第49-50页 |
| ·基于高斯混合模型的有效图像分割框架 | 第50-53页 |
| ·基于像素的图像分割框架 | 第51页 |
| ·基于灰度的图像分割框架 | 第51-53页 |
| ·实验结果 | 第53-59页 |
| ·人工图像实验 | 第53-55页 |
| ·Berkeley 图像实验 | 第55-56页 |
| ·医学图像实验 | 第56-58页 |
| ·Horse 图像实验 | 第58-59页 |
| ·E_GMM and E~2_GMM 算法比较 | 第59页 |
| ·本章小结 | 第59-60页 |
| 第四章 结合软标号的鲁棒关系分类器 | 第60-78页 |
| ·引言 | 第60-61页 |
| ·模糊关系分类器 | 第61-63页 |
| ·训练阶段 | 第61-62页 |
| ·分类阶段 | 第62-63页 |
| ·鲁棒关系分类器 | 第63-69页 |
| ·核模糊C 均值聚类算法 | 第63-65页 |
| ·结合邻域信息的软标号 | 第65-67页 |
| ·对关系矩阵R 的分析 | 第67-68页 |
| ·算法时间复杂性分析 | 第68页 |
| ·算法流程 | 第68-69页 |
| ·实验结果 | 第69-77页 |
| ·人工数据集实验 | 第69-72页 |
| ·真实数据集实验 | 第72-77页 |
| ·本章小结 | 第77-78页 |
| 第五章 基于代表性样本的增强关系分类器 | 第78-89页 |
| ·引言 | 第78页 |
| ·增强关系分类器 | 第78-84页 |
| ·问题描述 | 第78-79页 |
| ·解决方法 | 第79-80页 |
| ·矩阵R 中的元素关系 | 第80-84页 |
| ·算法描述 | 第84页 |
| ·实验结果 | 第84-88页 |
| ·人工数据集实验 | 第84-87页 |
| ·真实数据集实验 | 第87-88页 |
| ·本章小结 | 第88-89页 |
| 第六章 同时实现聚类学习和分类学习的一般框架 | 第89-122页 |
| ·单目标同时的聚类学习和分类学习框架 | 第89-103页 |
| ·引言 | 第89-90页 |
| ·算法思想 | 第90-96页 |
| ·实验结果 | 第96-103页 |
| ·多目标同时的聚类学习和分类学习框架 | 第103-112页 |
| ·引言 | 第103-104页 |
| ·相关定义 | 第104-105页 |
| ·算法思想 | 第105-108页 |
| ·实验结果 | 第108-112页 |
| ·同时实现聚类学习、分类学习和度量学习的框架 | 第112-120页 |
| ·引言 | 第112页 |
| ·算法思想 | 第112-116页 |
| ·实验结果 | 第116-120页 |
| ·本章小结 | 第120-122页 |
| 第七章 总结和展望 | 第122-124页 |
| 参考文献 | 第124-131页 |
| 致谢 | 第131-132页 |
| 在学期间的研究成果及发表的学术论文 | 第132-133页 |
