| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的主要工作及结构安排 | 第11-13页 |
| 第2章 图像分割算法简介 | 第13-27页 |
| 2.1 引言 | 第13-14页 |
| 2.2 边缘检测 | 第14-20页 |
| 2.2.1 梯度算子 | 第15-16页 |
| 2.2.2 高斯拉普拉斯算子 | 第16-17页 |
| 2.2.3 坎尼边缘检测算子 | 第17-19页 |
| 2.2.4 边缘检测算法比较 | 第19-20页 |
| 2.3 阈值分割 | 第20-23页 |
| 2.3.1 双峰法 | 第20页 |
| 2.3.2 迭代选择阈值法 | 第20-21页 |
| 2.3.3 最大类间方差法 | 第21-22页 |
| 2.3.4 阈值分割算法比较 | 第22-23页 |
| 2.4 区域分割 | 第23-25页 |
| 2.4.1 区域生长 | 第23-24页 |
| 2.4.2 区域的分裂与合并 | 第24-25页 |
| 2.4.3 区域分割算法比较 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第3章 基于K均值聚类和自适应阈值的复杂背景下的叶片分割算法 | 第27-45页 |
| 3.1 引言 | 第27-28页 |
| 3.2 算法框图 | 第28页 |
| 3.3 算法描述 | 第28-33页 |
| 3.3.1 CIE L~*a~*b~*彩色空间 | 第28-29页 |
| 3.3.2 基于K均值聚类的叶片图像分割 | 第29-30页 |
| 3.3.3 基于自适应阈值的叶片图像分割 | 第30-32页 |
| 3.3.4 基于数学形态学的叶片图像分割 | 第32-33页 |
| 3.4 实验结果及分析 | 第33-44页 |
| 3.4.1 叶片图像预分割 | 第34-35页 |
| 3.4.2 叶片图像细化分割 | 第35-40页 |
| 3.4.3 叶片图像分割算法对比 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于标记分水岭的复杂背景下的叶片分割算法 | 第45-59页 |
| 4.1 引言 | 第45-46页 |
| 4.2 算法框图 | 第46-47页 |
| 4.3 算法描述 | 第47-51页 |
| 4.3.1 梯度图像 | 第47页 |
| 4.3.2 形态学重建 | 第47-49页 |
| 4.3.3 标记的获取 | 第49页 |
| 4.3.4 分水岭分割 | 第49-51页 |
| 4.3.5 基于形态学重建的标记分水岭分割 | 第51页 |
| 4.4 实验结果及分析 | 第51-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 攻读硕士学位期间科研成果 | 第69页 |