基于多特征多尺度提取的图像分割算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及目的 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-14页 |
| 1.2.1 图像分割技术 | 第11-13页 |
| 1.2.2 图像特征提取技术 | 第13-14页 |
| 1.3 论文主要研究内容及结构 | 第14-17页 |
| 第二章 图像分割的均值漂移算法原理 | 第17-25页 |
| 2.1 Mean-shift算法原理 | 第17-20页 |
| 2.1.1 Mean-shift向量的基本形式 | 第17页 |
| 2.1.2 Mean-shift向量的扩展形式 | 第17-19页 |
| 2.1.3 Mean-shift算法步骤 | 第19-20页 |
| 2.1.4 Mean-shift算法优缺点 | 第20页 |
| 2.2 Mean-shift图像分割算法 | 第20-21页 |
| 2.2.1 Mean-shift图像平滑 | 第20-21页 |
| 2.2.2 Mean-shift图像融合 | 第21页 |
| 2.2.3 Mean-shift图像最小面积去除 | 第21页 |
| 2.3 实验与分析 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 图像特征分析与提取方法 | 第25-41页 |
| 3.1 图像特征 | 第25-27页 |
| 3.1.1 光谱特征 | 第25页 |
| 3.1.2 纹理特征 | 第25-27页 |
| 3.2 图像的纹理特征提取 | 第27-34页 |
| 3.2.1 灰度共生矩阵 | 第27-29页 |
| 3.2.2 傅里叶变换到小波变换 | 第29-30页 |
| 3.2.3 基于Wavelet的纹理特征提取 | 第30-32页 |
| 3.2.4 基于多尺度几何分析的纹理特征提取 | 第32-34页 |
| 3.3 实验与分析 | 第34-40页 |
| 3.3.1 GLCM纹理提取 | 第34-35页 |
| 3.3.2 小波纹理提取 | 第35-36页 |
| 3.3.3 多尺度纹理提取 | 第36-39页 |
| 3.3.4 比较与分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于多特征的Mean-shift分割 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 基于多特征的Mean-shift算法 | 第41-45页 |
| 4.2.1 多尺度特征提取 | 第42页 |
| 4.2.2 多尺度多特征融合 | 第42页 |
| 4.2.3 Mean-shift算法改进 | 第42-45页 |
| 4.3 实验与分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 面向对象归一化割图像分割算法 | 第49-57页 |
| 5.1 图谱理论 | 第49-50页 |
| 5.1.1 图的定义 | 第49页 |
| 5.1.2 图的几个基本概念 | 第49-50页 |
| 5.1.3 基于图论的分割准则 | 第50页 |
| 5.2 归一化割算法分析 | 第50-53页 |
| 5.2.1 最小割到归一化割算法 | 第51-52页 |
| 5.2.2 归一化割算法的优缺点 | 第52页 |
| 5.2.3 归一化割算法的应用领域 | 第52-53页 |
| 5.3 面向对象的归一化割分割算法 | 第53-54页 |
| 5.3.1 算法原理 | 第53页 |
| 5.3.2 算法步骤 | 第53-54页 |
| 5.4 实验与分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 研究展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读学位期间取得的研究成果 | 第64-65页 |
| 致谢 | 第65页 |
