| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-18页 |
| 1.1 脑MR图像分割的研究意义 | 第12-13页 |
| 1.2 模糊聚类技术的研究现状与发展趋势 | 第13-15页 |
| 1.3 模糊聚类技术的研究重点与改进方向 | 第15-16页 |
| 1.4 本文的研究内容与创新点 | 第16-18页 |
| 2 基于模糊C均值聚类的脑MR图像分割 | 第18-29页 |
| 2.1 模糊集合理论 | 第18-19页 |
| 2.2 模糊C均值聚类算法 | 第19-23页 |
| 2.2.1 FCM算法的产生 | 第19-21页 |
| 2.2.2 算法的迭代公式 | 第21-22页 |
| 2.2.3 最大隶属度转换法 | 第22-23页 |
| 2.2.4 模糊C均值聚类算法对图像的分割 | 第23页 |
| 2.3 图像分割质量评价 | 第23-25页 |
| 2.4 实验 | 第25-28页 |
| 2.5 小结 | 第28-29页 |
| 3 基于核函数的模糊聚类算法 | 第29-42页 |
| 3.1 模糊聚类算法中的核函数问题 | 第29-30页 |
| 3.2 核函数的原理 | 第30-31页 |
| 3.3 模糊核聚类算法KFCM | 第31-36页 |
| 3.3.1 KFCM算法的原理 | 第31-32页 |
| 3.3.2 算法的迭代公式 | 第32-33页 |
| 3.3.3 KFCM算法对脑MR图像的分割 | 第33-34页 |
| 3.3.4 实验 | 第34-36页 |
| 3.4 概率C均值聚类算法PCM | 第36-37页 |
| 3.4.1 PCM算法的原理 | 第36页 |
| 3.4.2 算法中的关键参数 | 第36-37页 |
| 3.5 基于核函数的概率C均值聚类算法KPCM | 第37-41页 |
| 3.5.1 KPCM算法的原理 | 第37-38页 |
| 3.5.2 算法中的关键参数 | 第38页 |
| 3.5.3 KPCM算法对图像的分割 | 第38-39页 |
| 3.5.4 实验 | 第39-41页 |
| 3.6 小结 | 第41-42页 |
| 4 模糊聚类的快速算法 | 第42-53页 |
| 4.1 影响算法快速性的因素 | 第42-43页 |
| 4.1.1 算法的初始化 | 第42-43页 |
| 4.1.2 算法中存在的大计算量问题 | 第43页 |
| 4.2 利用高斯函数得到初始聚类中心 | 第43-44页 |
| 4.3 模糊聚类的快速算法HFFCM | 第44-45页 |
| 4.4 HFFCM算法的迭代公式 | 第45-46页 |
| 4.4.1 隶属度矩阵 | 第45-46页 |
| 4.4.2 聚类中心 | 第46页 |
| 4.5 HFFCM算法对图像的分割 | 第46-47页 |
| 4.6 实验 | 第47-52页 |
| 4.6.1 HFFCM算法对模拟脑MR图像的分割 | 第47-49页 |
| 4.6.2 HFFCM算法对噪声图像的分割 | 第49-52页 |
| 4.7 小结 | 第52-53页 |
| 5 基于空间信息的模糊聚类算法 | 第53-73页 |
| 5.1 模糊聚类分割中的噪声问题 | 第53-54页 |
| 5.2 基于邻域距离约束的聚类算法DFCM | 第54-56页 |
| 5.2.1 DFCM算法的原理 | 第54页 |
| 5.2.2 算法的迭代公式 | 第54-56页 |
| 5.2.3 DFCM算法对图像的分割 | 第56页 |
| 5.3 基于邻域隶属度约束的聚类算法sFCMpq | 第56-58页 |
| 5.3.1 sFCMpq算法的原理 | 第56-58页 |
| 5.3.2 sFCMpq算法对图像的分割 | 第58页 |
| 5.4 基于自适应中值理论的快速模糊聚类算法AMFFCM | 第58-62页 |
| 5.4.1 自适应中值滤波 | 第58-60页 |
| 5.4.2 AMFFCM算法的提出 | 第60-61页 |
| 5.4.3 AMFFCM算法对图像的分割 | 第61-62页 |
| 5.5 实验 | 第62-72页 |
| 5.5.1 对含高斯噪声图像的分割 | 第62-65页 |
| 5.5.2 对含椒盐噪声图像的分割 | 第65-69页 |
| 5.5.3 对真实脑MR图象的分割 | 第69-72页 |
| 5.6 小结 | 第72-73页 |
| 6 总结与展望 | 第73-75页 |
| 6.1 全文总结 | 第73-74页 |
| 6.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读学位期间主要的研究成果目录 | 第80-81页 |
| 致谢 | 第81页 |