几种聚类算法应用于图像分割的研究与比较
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 图像分割概述 | 第10-13页 |
| 1.2.1 图像分割定义 | 第10-11页 |
| 1.2.2 常用的图像分割方法 | 第11-13页 |
| 1.3 主要研究内容与工作安排 | 第13-15页 |
| 第二章 聚类分析 | 第15-25页 |
| 2.1 聚类分析概述 | 第15-18页 |
| 2.1.1 聚类分析概述 | 第15-16页 |
| 2.1.2 聚类数据结构 | 第16-17页 |
| 2.1.3 聚类分析的相似性度量 | 第17-18页 |
| 2.1.4 聚类分析中的准则函数 | 第18页 |
| 2.2 聚类分析方法 | 第18-20页 |
| 2.3 聚类算法研究现状 | 第20-21页 |
| 2.4 聚类算法图像特征提取 | 第21-25页 |
| 2.4.1 灰度图像 | 第21-22页 |
| 2.4.2 彩色图像 | 第22页 |
| 2.4.3 纹理图像 | 第22-24页 |
| 2.4.4 遥感图像 | 第24-25页 |
| 第三章 基于K均值聚类算法的图像分割 | 第25-37页 |
| 3.1 K均值聚类算法 | 第25-28页 |
| 3.1.1 K均值聚类算法思想 | 第25页 |
| 3.1.2 K均值聚类算法流程 | 第25-27页 |
| 3.1.3 K均值聚类算法存在的问题 | 第27-28页 |
| 3.2 K均值聚类其改进算法 | 第28-31页 |
| 3.2.1 K均值算法对初始聚类中心的依赖性分析 | 第28-29页 |
| 3.2.2 K均值聚类改进算法 | 第29-30页 |
| 3.2.3 仿真实验 | 第30-31页 |
| 3.3 实验与分析 | 第31-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于模糊C均值聚类算法的图像分割 | 第37-55页 |
| 4.1 模糊集理论 | 第37-38页 |
| 4.2 模糊C均值聚类算法 | 第38-44页 |
| 4.2.1 数据集的C划分 | 第39页 |
| 4.2.2 模糊C均值聚类算法 | 第39-42页 |
| 4.2.3 模糊C均值聚类算法存在的问题 | 第42-43页 |
| 4.2.4 基于模糊C均值聚类的图像分割 | 第43-44页 |
| 4.3 模糊C均值聚类改进算法 | 第44-48页 |
| 4.3.1 模糊C均值聚类算法有效性判别 | 第44-46页 |
| 4.3.2 模糊C均值聚类改进算法的提出 | 第46页 |
| 4.3.3 相关概念 | 第46-47页 |
| 4.3.4 模糊C均值聚类改进算法 | 第47-48页 |
| 4.4 实验与分析 | 第48-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于均值漂移聚类算法的图像分割 | 第55-65页 |
| 5.1 均值漂移聚类算法 | 第55-58页 |
| 5.1.1 非参数估计 | 第55-56页 |
| 5.1.2 均值漂移算法 | 第56-57页 |
| 5.1.3 均值漂移算法的优缺点 | 第57-58页 |
| 5.1.4 基于均值漂移的图像分割 | 第58页 |
| 5.2 均值漂移改进算法 | 第58-60页 |
| 5.2.1 自适应均值漂移算法 | 第58-59页 |
| 5.2.2 均值漂移改进算法 | 第59-60页 |
| 5.3 实验与分析 | 第60-64页 |
| 5.4 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 全文总结 | 第65页 |
| 未来展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
