| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-12页 |
| ·课题的研究背景及学术意义 | 第8页 |
| ·图像分割的发展特点 | 第8-9页 |
| ·论文的主要创新内容 | 第9-11页 |
| ·本章小结 | 第11-12页 |
| 2 图像分割的基本理论 | 第12-16页 |
| ·图像分割的概念 | 第12页 |
| ·现有的图像分割方法 | 第12-15页 |
| ·基于阈值的图像分割 | 第12-13页 |
| ·基于边缘检测的图像分割 | 第13页 |
| ·基于区域生长的图像分割 | 第13-14页 |
| ·基于模糊理论的方法 | 第14-15页 |
| ·基于图论的分割算法 | 第15页 |
| ·本章小结 | 第15-16页 |
| 3 模糊 C -均值聚类( FCM )算法和粒子群优化算法介绍 | 第16-24页 |
| ·模糊理论基础 | 第16-18页 |
| ·模糊集合基本理论 | 第16-18页 |
| ·模糊关系理论 | 第18页 |
| ·模糊 C -均值聚类算法原理 | 第18-22页 |
| ·模糊 C -均值聚类算法 | 第18-21页 |
| ·模糊 C -均值聚类算法的研究重点 | 第21-22页 |
| ·粒子群优化（Particle Swarm Optimization - PSO ）算法简介 | 第22-23页 |
| ·粒子群算法基本含义 | 第22页 |
| ·粒子群算法基本理论和流程图 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 4 基于分水岭算法的改进模糊聚类图像分割 | 第24-31页 |
| ·分水岭算法 | 第24-26页 |
| ·模糊 C -均值聚类（ FCM ）算法对过分割图像的处理 | 第26-28页 |
| ·传统的 FCM 算法 | 第26页 |
| ·初始聚类中心的较优选择 | 第26-27页 |
| ·改进的 FCM 聚类图像分割 | 第27-28页 |
| ·实验结果与分析 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 5 改进的自适应 FCM 聚类图像分割算法 | 第31-37页 |
| ·Silhouette 指标 | 第31页 |
| ·最大最小距离实现原理与实现步骤 | 第31-32页 |
| ·改进的自适应模糊 C -均值聚类图像分割 | 第32-33页 |
| ·最佳聚类数目的确定 | 第32页 |
| ·新的 FCM 自适应图像分割 | 第32-33页 |
| ·实验结果和分析 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 6 总结和展望 | 第37-39页 |
| ·总结 | 第37页 |
| ·展望 | 第37-39页 |
| 致谢 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 附录 | 第44页 |
