首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于水平集方法的图像分割研究

摘要第3-5页
Abstract第5-6页
第一章 绪论第10-22页
    1.1 研究背景与研究意义第10-15页
        1.1.1 研究背景第10-12页
        1.1.2 图像分割的方法第12-14页
        1.1.3 研究的意义第14-15页
    1.2 国内外研究现状第15-19页
    1.3 论文主要研究内容简介第19-22页
第二章 相关准备知识第22-30页
    2.1 曲线演化理论以及相关的数学基础知识第22-24页
        2.1.1 曲线演化理论第22-23页
        2.1.2 变分法与梯度下降流第23-24页
    2.2 水平集的基本理论第24-30页
        2.2.1 水平集方法第25-26页
        2.2.2 水平集函数初始化与重新初始化第26-27页
        2.2.3 水平集方法的数值实现第27-30页
第三章 改进符号压力函数的变分水平集图像分割算法第30-42页
    3.1 引言第30页
    3.2 相关模型介绍第30-34页
        3.2.1 Mumford-Shah模型第30-31页
        3.2.2 GAC模型第31-32页
        3.2.3 CV模型第32-33页
        3.2.4 SBGFRLS模型第33-34页
    3.3 改进符号压力函数的变分水平集图像分割算法第34-36页
        3.3.1 SP F (I(x)) 函数的功能第34页
        3.3.2 新的SP F (I(x)) 函数的构造第34-35页
        3.3.3 水平集函数演化方程及其算法实现第35-36页
    3.4 仿真实验及结果分析第36-40页
    3.5 本章小结第40-42页
第四章 融合局部信息和全局信息的水平集图像分割算法第42-62页
    4.1 引言第42页
    4.2 相关模型介绍第42-44页
        4.2.1 LBF模型第42-43页
        4.2.2 LCV模型第43-44页
    4.3 融合局部信息和全局信息的水平集图像分割算法第44-47页
        4.3.1 模型设计的动机第44-45页
        4.3.2 融合局部信息和全局信息的水平集图像分割算法第45-47页
        4.3.3 水平集公式第47页
    4.4 实验结果与分析第47-57页
    4.5 讨论第57-58页
    4.6 本章小结第58-62页
第五章 图像分割和磁偏场矫正的混合梯度变分水平集方法第62-76页
    5.1 引言第62页
    5.2 有关数学知识和模型第62-66页
        5.2.1 L~2梯度与Sobolev梯度第62-64页
        5.2.2 LIC模型第64-66页
    5.3 图像分割和磁偏场矫正的混合梯度变分水平集方法第66-70页
        5.3.1 L~2梯度下降流与Sobolev梯度下降流比较第66-67页
        5.3.2 混合梯度变分水平集方法第67-69页
        5.3.3 Heaviside函数的选择以及演化方程第69-70页
    5.4 实验结果和分析第70-73页
    5.5 本章小结第73-76页
第六章 变指数p-Laplace方程的图像分割水平集方法第76-88页
    6.1 引言第76页
    6.2 相关背景知识第76-78页
        6.2.1 CoV model第76-77页
        6.2.2 p-Laplace方程第77页
        6.2.3 BEPL模型第77-78页
    6.3 变指数p-Laplace方程的图像分割水平集方法第78-81页
        6.3.1 保真项E~(CoV)第78页
        6.3.2 p-Laplace能量项E~p第78-79页
        6.3.3 能量惩罚项E~R第79页
        6.3.4 水平集公式第79-81页
    6.4 实验结果第81-86页
    6.5 本章小结第86-88页
第七章 总结与展望第88-90页
    7.1 全文总结第88-89页
    7.2 展望第89-90页
致谢第90-92页
参考文献第92-102页
附录: 攻读博士期间发表的论文第102页

论文共102页,点击 下载论文
上一篇:人血清白蛋白—肝细胞生长因子融合蛋白突变体的表达及其活性分析
下一篇:面向多应用场景的粒子群优化算法研究