| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 图像分割方法研究现状 | 第10-14页 |
| 1.2.1 传统图像分割方法 | 第10-12页 |
| 1.2.2 基于超像素的图像分割方法 | 第12-14页 |
| 1.3 论文主要研究重点及创新点 | 第14-15页 |
| 1.4 本文的组织结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 相关知识介绍 | 第16-25页 |
| 2.1 图像视觉特征 | 第16页 |
| 2.2 超像素分割理论 | 第16-23页 |
| 2.2.1 超像素生成算法分类 | 第17-21页 |
| 2.2.2 超像素的评价指标 | 第21-23页 |
| 2.3 常用的聚类方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 边界贴合的超像素生成方法BM-k-means | 第25-39页 |
| 3.1 基于MeanShift算法确定初始种子点 | 第26-29页 |
| 3.1.1 MeanShift算法的原理 | 第26-27页 |
| 3.1.2 初始种子点的确定 | 第27-29页 |
| 3.2 基于像素邻域信息形成超像素边界 | 第29-33页 |
| 3.2.1 像素与种子点间距离函数的设计 | 第29-30页 |
| 3.2.2 距离函数的参数 | 第30-33页 |
| 3.3 超像素聚类种子点的选取 | 第33-36页 |
| 3.3.1 传统的种子点的选取 | 第33-34页 |
| 3.3.2 基于信任像素点生成新的种子点 | 第34-36页 |
| 3.4 BM-k-means算法生成超像素 | 第36-38页 |
| 3.4.1 初始化聚类种子点 | 第36-37页 |
| 3.4.2 根据相似度进行像素点划分 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 基于边界贴合的超像素的改进DBSCAN聚类算法 | 第39-49页 |
| 4.1 DBSCAN算法 | 第39-42页 |
| 4.2 改进的DBSCAN算法 | 第42-47页 |
| 4.2.1 问题的提出 | 第42-43页 |
| 4.2.2 网格思想划分搜索区 | 第43-44页 |
| 4.2.3 基于最小可达距离的DBSCAN算法 | 第44-47页 |
| 4.3 基于边界贴合的超像素的DBSCAN聚类算法(BMSP-DBSCAN) | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 实验结果与分析 | 第49-61页 |
| 5.1 实验环境及实验数据集 | 第49-50页 |
| 5.1.1 实验环境 | 第49页 |
| 5.1.2 实验数据集 | 第49-50页 |
| 5.2 预处理生成超像素 | 第50-57页 |
| 5.2.1 超像素生成实验 | 第50-52页 |
| 5.2.2 实验结果分析 | 第52-57页 |
| 5.3 超像素聚类实验与分析 | 第57-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 结论与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间发表论文及科研成果 | 第66-67页 |
| 致谢 | 第67-68页 |