| ABSTRACT | 第1-9页 |
| 摘要 | 第9-31页 |
| Chapter 1 Introduction | 第31-46页 |
| ·Overview and motivation | 第31-34页 |
| ·Scope of Research | 第34-36页 |
| ·Introduction of Markov random fields by using Fuzzy Image Segmentation | 第36-40页 |
| ·Organization of the dissertation | 第40-43页 |
| ·Contribution of Thesis | 第43-46页 |
| Chapter 2 Background and overview of Markov Random Fields | 第46-77页 |
| ·Background Information | 第46-48页 |
| ·Markov Random Fields | 第48-54页 |
| ·Sites and Labels | 第49-52页 |
| ·The Gibbs Distribution | 第52-54页 |
| ·Statistical Mechanics | 第54-58页 |
| ·Setting Out The Framework | 第57页 |
| ·Local Optimization | 第57-58页 |
| ·The Choice of MRF Model | 第58-61页 |
| ·Parameter Estimation | 第58-60页 |
| ·Partitioning Medical Imaging | 第60-61页 |
| ·Present and Future Development | 第61页 |
| ·Image Partitioning | 第61-77页 |
| ·Thesis Related Work Hypothesis Testing | 第61-63页 |
| ·Problem Solving | 第63页 |
| ·Law of Multispectral Observation | 第63-64页 |
| ·Estimation of the Hidden Process | 第64-65页 |
| ·Estimate of the Parameters | 第65-66页 |
| ·Results of Experimentation | 第66页 |
| ·Parameters for the Segmentation | 第66-70页 |
| ·Segmentation of Normalized Cut | 第70-72页 |
| ·Conclusion | 第72-73页 |
| ·Simulation Test of Gaussian Histogram Representation Curve | 第73-75页 |
| ·Chapter 2-Summary | 第75-77页 |
| Chapter 3 Image Segmentation and Markov Random Fields | 第77-118页 |
| ·Background Information and overview | 第77-84页 |
| ·Smoothness Priors | 第79-80页 |
| ·Discontinuity Adaptive Models | 第80-81页 |
| ·Convex Discontinuity Adaptive Models | 第81-83页 |
| ·Single Site Clique Potential Functions | 第83-84页 |
| ·Remark | 第84页 |
| ·From Classical to Bayesian Estimation | 第84-87页 |
| ·Overview of Bayesian Estimation | 第84-85页 |
| ·Classical Estimation | 第85页 |
| ·Maximum Likelihood Estimation | 第85-86页 |
| ·Bayesian Estimation | 第86-87页 |
| ·Maximum A Posteriori Estimation | 第87页 |
| ·Remark | 第87页 |
| ·Estimating Parameters of Markov Random Fields | 第87-92页 |
| ·Overview of Estimating Parameters of MRF | 第88-89页 |
| ·Maximum Likelihood Estimate | 第89-90页 |
| ·Pseudo-likelihood Estimate | 第90页 |
| ·The Coding Method | 第90-91页 |
| ·The Mean Field Approach | 第91-92页 |
| ·A Cross Validation Approach | 第92页 |
| ·Sampling Markov Random Fields | 第92-97页 |
| ·The Gibbs Sampler | 第93-96页 |
| ·The Metropolis Sampler | 第96页 |
| ·Comparing the Gibbs and Metropolis Samplers | 第96-97页 |
| ·Modelling Noise in Markov Image Segmentation | 第97-118页 |
| ·Illustration of Some Properties of the Poisson Distribution | 第97-98页 |
| ·The Convex Algorithm for ML Estimation | 第98-100页 |
| ·Defining the MRF Models | 第100-101页 |
| ·Training MRF Models on Sample Images | 第101-105页 |
| ·Hypothesis Testing Image simulation | 第105-107页 |
| ·Hypothesis Testing Image simulation second step | 第107-116页 |
| ·Chapter 3-Summary | 第116-118页 |
| CHAPTER 4-Feature Based Texture Segmentation of Markov Random Fields | 第118-146页 |
| ·Introduction | 第118-119页 |
| ·Model Based Statistics | 第119-125页 |
| ·Local Spatial Statistics | 第125-133页 |
| ·Image models based on Local Spatial Statistics | 第128-130页 |
| ·Feature Based Relaxation Algorithms | 第130-133页 |
| ·The Multi-Channel Filtering Approach to Texture Segmentation | 第133-144页 |
| ·Chapter 4-Summary | 第144-146页 |
| Chapter 5 MRF Model Based Partitioning Image Segmentation | 第146-185页 |
| ·Introduction | 第146-149页 |
| ·Models | 第149-163页 |
| ·The Ising and Potts Models | 第152-155页 |
| ·Line Processes | 第155-158页 |
| ·The Gaussian Markov Random Field Model | 第158-162页 |
| ·GMRF Relationship to Simultaneous Autoregressive Models | 第162-163页 |
| ·Segmentation Techniques | 第163-166页 |
| ·Multi-Resolution Segmentation | 第166-175页 |
| ·Renormalisation Group Theory | 第167-169页 |
| ·GMRF Multi-resolution Models | 第169-174页 |
| ·Unsupervised Segmentation | 第174页 |
| ·Remark | 第174-175页 |
| ·Simulation of our Experimentation | 第175-185页 |
| ·Background and Information | 第175-176页 |
| ·Models Hidden Markov Model(HMC) | 第176-177页 |
| ·Algorithm Estimation Maximization(EM) | 第177-178页 |
| ·The algorithm SOM(Self-Organizing Map) or Kohonen map(SOM) | 第178页 |
| ·Models of hidden fuzzy markov chain(HMFMC) | 第178-180页 |
| ·Design of Algorithm | 第180页 |
| ·Experimental results and step of Algorithm | 第180-181页 |
| ·Test NO.1-Image Synthesis Galaxy | 第181页 |
| ·Interpretation of results | 第181-182页 |
| ·Test 2-Image Synthesis(of A) | 第182页 |
| ·Interpretation of results | 第182-183页 |
| ·Conclusion | 第183-184页 |
| ·Chapter 5-Summary | 第184-185页 |
| Chapter 6 Unsupervised Segmentation Algorithms | 第185-247页 |
| ·Introduction | 第185-186页 |
| ·Bayesian Model Selection and the Hidden Data Problem | 第186-190页 |
| ·Reversible Jump MCMC and the Hidden Data Problem | 第190-193页 |
| ·Image Models | 第193-198页 |
| ·The Isotropic Markov Random Field Model | 第196-197页 |
| ·The Gaussian Markov Random Field Model | 第197-198页 |
| ·MCMC Sampling From the Posterior Distribution | 第198-212页 |
| ·Reversible Jumps for the Isotropic MRF | 第201-205页 |
| ·Reversible Jumps for the Gaussian MRF | 第205-212页 |
| ·Experimental Results | 第212-217页 |
| ·Example of simulation testing | 第213-214页 |
| ·Demonstration of algorithm | 第214-217页 |
| ·Hypothesis testing of oil spill | 第217-221页 |
| ·Environmental effects | 第217-218页 |
| ·Biological resources | 第218-221页 |
| ·Chapter 6 Summary | 第221-222页 |
| ·Results and Discussions | 第222-247页 |
| ·Image segmentation and Image partitioning | 第236-240页 |
| ·Fuzzy C-Means Algorithm and Flowchart | 第240-242页 |
| ·Algorithm Design of FCM Image Segmentation | 第242-243页 |
| ·K-Means Algorithm and Flowchart | 第243-244页 |
| ·Algorithm design of K-Means image segmentation | 第244页 |
| ·Methodology | 第244-245页 |
| ·Results and Discussions for Mode of Operation | 第245-246页 |
| ·Time Taken to segment | 第246-247页 |
| Chapter 7 GENERAL CONCLUSIONS AND FUTURE WORKS | 第247-252页 |
| References | 第252-266页 |
| Dedication | 第266-267页 |
| Acknowledgments | 第267-268页 |
| Research Publications | 第268-269页 |
