| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景和意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-12页 |
| 1.2.1 图像分割方法 | 第7-9页 |
| 1.2.2 基于Graph Cuts的图像分割研究现状 | 第9-12页 |
| 1.3 主要工作及结构安排 | 第12-14页 |
| 1.3.1 本文的主要工作 | 第12页 |
| 1.3.2 本文结构安排 | 第12-14页 |
| 第二章 Graph Cuts及其在图像分割中的应用 | 第14-23页 |
| 2.1 Graph Cuts基本理论 | 第14-18页 |
| 2.1.1 图的基本概念 | 第14页 |
| 2.1.2 网络流理论 | 第14-15页 |
| 2.1.3 最大流/最小割 | 第15-18页 |
| 2.2 Graph Cuts在图像分割中的应用 | 第18-22页 |
| 2.2.1 图像分割与概率描述 | 第18-19页 |
| 2.2.2 马尔科夫随机场与图像分割 | 第19-21页 |
| 2.2.3 能量函数和最小化 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 自适应权重特征的近邻传播算法 | 第23-33页 |
| 3.1 近邻传播算法原理 | 第23-27页 |
| 3.1.1 相似矩阵的构造 | 第23-24页 |
| 3.1.2 吸引度信息和归属度信息的传递 | 第24-25页 |
| 3.1.3 决策矩阵 | 第25-26页 |
| 3.1.4 近邻传播算法具体步骤和流程图 | 第26-27页 |
| 3.2 改进的近邻传播算法 | 第27-32页 |
| 3.2.1 颜色、纹理和形状特征的选择 | 第27-30页 |
| 3.2.2 相似矩阵的改进 | 第30-31页 |
| 3.2.3 获得聚类区域的步骤 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 基于改进的Graph Cuts的图像分割算法 | 第33-39页 |
| 4.1 能量函数的构造 | 第33-35页 |
| 4.1.1 数据项能量函数 | 第34页 |
| 4.1.2 平滑项能量函数 | 第34-35页 |
| 4.2 能量函数的改进 | 第35-36页 |
| 4.3 能量函数的最小化 | 第36-37页 |
| 4.3.1 区域模型的更新 | 第36页 |
| 4.3.2 图的最小割 | 第36-37页 |
| 4.4 算法具体步骤和流程图 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第五章 实验结果与分析 | 第39-48页 |
| 5.1 平滑项比例系数λ的选择 | 第39-40页 |
| 5.2 算法的抗噪性能分析 | 第40-42页 |
| 5.2.1 算法对高斯白噪声的抗干扰性能分析 | 第41-42页 |
| 5.2.2 算法对椒盐噪声的抗干扰性分析 | 第42页 |
| 5.3 本文算法与其他算法对比 | 第42-46页 |
| 5.3.1 与传统的Graph Cuts分割算法的比较 | 第43-44页 |
| 5.3.2 与归一化分割算法的比较 | 第44-46页 |
| 5.4 本章小结 | 第46-48页 |
| 主要结论与展望 | 第48-50页 |
| 主要结论 | 第48页 |
| 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录: 作者在攻读学士学位期间发表的论文 | 第55页 |
