| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-23页 |
| ·研究背景及意义 | 第9-10页 |
| ·图像分割相关概念 | 第10-14页 |
| ·图像分割定义 | 第10-12页 |
| ·梯度算子 | 第12页 |
| ·腐蚀与膨胀 | 第12-13页 |
| ·开操作和闭操作 | 第13-14页 |
| ·图像分割方法研究现状 | 第14-21页 |
| ·基于阈值分割方法 | 第14-15页 |
| ·基于边缘的分割方法 | 第15-18页 |
| ·基于区域的分割方法 | 第18页 |
| ·基于聚类的分割方法 | 第18-19页 |
| ·其它分割方法 | 第19-21页 |
| ·本文主要工作及行文结构 | 第21-23页 |
| 第二章 图像特征描述 | 第23-36页 |
| ·颜色特征 | 第23-27页 |
| ·颜色空间 | 第24-25页 |
| ·颜色特征 | 第25-27页 |
| ·纹理特征 | 第27-35页 |
| ·灰度共生矩阵 | 第28-31页 |
| ·十字对角纹理矩阵 | 第31-32页 |
| ·Tamura 纹理特征 | 第32-33页 |
| ·Gabor 特征向量 | 第33-35页 |
| ·本章总结 | 第35-36页 |
| 第三章 RBFNN 及局部泛化误差模型介绍 | 第36-46页 |
| ·RBFNN 简介 | 第36-39页 |
| ·网络结构 | 第36-38页 |
| ·径向基函数 | 第38页 |
| ·RBFNN 的学习算法 | 第38-39页 |
| ·局部泛化误差模型及其在RBFNN 学习中的应用 | 第39-45页 |
| ·Q-邻域 | 第40-41页 |
| ·随机敏感度(ST-SM) | 第41-42页 |
| ·L-GEM 模型 | 第42-44页 |
| ·L-GEM 的优缺点 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于最小化局部泛化误差模型的RBFNN 的图像目标分割算法 | 第46-52页 |
| ·图像的颜色特征提取 | 第47页 |
| ·图像像素的8 邻域灰度差分量的提取 | 第47-48页 |
| ·图像纹理特征的提取 | 第48-49页 |
| ·基于最小化局部泛化误差模型的RBFNN 的图像目标分割算法 | 第49-51页 |
| ·本章总结 | 第51-52页 |
| 第五章 实验及结果分析 | 第52-62页 |
| ·实验介绍 | 第52页 |
| ·实验数据的采集 | 第52-54页 |
| ·实验过程 | 第54-56页 |
| ·试验比较与分析 | 第56-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 总结和展望 | 第62-65页 |
| ·全文总结 | 第62-63页 |
| ·图像分割技术的研究展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 附录 | 第70-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77页 |