| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第17-27页 |
| 1.1 研究的目的和意义 | 第17-18页 |
| 1.2 国内外研究现状及发展趋势 | 第18-24页 |
| 1.2.1 图像分割方法的研究状况 | 第18-22页 |
| 1.2.2 分割算法的发展趋势 | 第22-24页 |
| 1.3 像素聚类与分割 | 第24-25页 |
| 1.4 本文主要内容与章节安排 | 第25-27页 |
| 第2章 自组织竞争网络结构估计的聚类分割算法 | 第27-45页 |
| 2.1 相关知识 | 第27-32页 |
| 2.1.1 BP网络分割模型 | 第28-29页 |
| 2.1.2 PCNN网络分割模型 | 第29-30页 |
| 2.1.3 SOM网络分割模型 | 第30-32页 |
| 2.2 自组织竞争网络规模估计的聚类分割算法 | 第32-44页 |
| 2.2.1 SOM网络结构 | 第32-33页 |
| 2.2.2 SOM网络学习算法 | 第33-34页 |
| 2.2.3 基于网络结构估计的SOM聚类分割算法(SE-SOM) | 第34-37页 |
| 2.2.4 算法性能评价与对比 | 第37-44页 |
| 2.3 小结 | 第44-45页 |
| 第3章 分块种子自动选取的生长分割算法 | 第45-58页 |
| 3.1 相关知识 | 第46-48页 |
| 3.1.1 生长算法发展现状 | 第46-47页 |
| 3.1.2 聚类策略选择分析 | 第47-48页 |
| 3.2 分块种子聚类选取的生长分割算法 | 第48-56页 |
| 3.2.1 颜色空间选择 | 第48-49页 |
| 3.2.2 图像分块的种子像素选取 | 第49-50页 |
| 3.2.3 动态聚类分块种子 | 第50-51页 |
| 3.2.4 区域生长规规则与合并并 | 第51-53页 |
| 3.2.5 实验结果与分析 | 第53-56页 |
| 3.3 小结 | 第56-58页 |
| 第4章 融合显著性特征的聚类分割算法 | 第58-88页 |
| 4.1 相关知识 | 第59-68页 |
| 4.1.1 显著性计算方法分析 | 第59-66页 |
| 4.1.1.1 视觉注意机制 | 第59-60页 |
| 4.1.1.2 视觉特征类型 | 第60-62页 |
| 4.1.1.3 显著性计算方法 | 第62-66页 |
| 4.1.2 均值漂移分割算法 | 第66-67页 |
| 4.1.3 主颜色提取技术 | 第67-68页 |
| 4.2 融合显著性的均值漂移分割 | 第68-78页 |
| 4.2.1 图像量化 | 第69-71页 |
| 4.2.2 显著性计算算法 | 第71-72页 |
| 4.2.3 融合显著性的 Meanshift 分割算法 | 第72-74页 |
| 4.2.4 实验结果与分析 | 第74-78页 |
| 4.3 融合显著性的主颜色聚类分割 | 第78-87页 |
| 4.3.1 显著特征计算 | 第79-81页 |
| 4.3.1.1 像素全局显著特征 | 第80页 |
| 4.3.1.2 区域显著特征 | 第80-81页 |
| 4.3.1.3 特征融合 | 第81页 |
| 4.3.2 主颜色聚类分割 | 第81-84页 |
| 4.3.3 实验分析 | 第84-87页 |
| 4.3.3.1 分割效果 | 第85-86页 |
| 4.3.3.2 准确度评价 | 第86-87页 |
| 4.3.3.3 时间性能比较 | 第87页 |
| 4.4 小结 | 第87-88页 |
| 第5章 基于纹理超像素合并的彩色图像分割算法 | 第88-114页 |
| 5.1 相关知识 | 第88-96页 |
| 5.1.1 纹理特征分析和选择 | 第88-94页 |
| 5.1.2 超像素提取技术研究 | 第94-96页 |
| 5.2 纹理超像素合并分割算法 | 第96-113页 |
| 5.2.1 纹理特征计算 | 第97-99页 |
| 5.2.2 纹理超像素提取 | 第99-102页 |
| 5.2.3 颜色-纹理直方图特征计算 | 第102-105页 |
| 5.2.4 超像素合并方法 | 第105-108页 |
| 5.2.5 实验分析 | 第108-113页 |
| 5.2.5.1 自然纹理图像分割测试 | 第108-110页 |
| 5.2.5.2 合成纹理图像分割测试 | 第110-113页 |
| 5.3 小结 | 第113-114页 |
| 结论 | 第114-116页 |
| 参考文献 | 第116-130页 |
| 攻读学位期间发表论文与研究成果清单 | 第130页 |