| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 引言 | 第14-15页 |
| 1.2 图像分割技术的发展现状 | 第15-19页 |
| 1.2.1 自动图像分割方法 | 第15-17页 |
| 1.2.2 交互式图像分割方法 | 第17-19页 |
| 1.3 本文的主要工作 | 第19-21页 |
| 1.4 文章组织结构 | 第21-24页 |
| 第2章 模糊C均值聚类在图像分割中的应用 | 第24-40页 |
| 2.1 引言 | 第24-25页 |
| 2.2 经典聚类分析方法 | 第25-29页 |
| 2.2.1 硬聚类(HCM) | 第25页 |
| 2.2.2 模糊聚类(FCM) | 第25-26页 |
| 2.2.3 核模糊聚类(KFCM) | 第26-27页 |
| 2.2.4 可能性C均值聚类算法(PCM) | 第27-28页 |
| 2.2.5 ISODATA | 第28-29页 |
| 2.3 基于全局空间相似性FCM算法 | 第29-34页 |
| 2.3.1 距离度量 | 第29-30页 |
| 2.3.2 全局空间相似性度量标准 | 第30-31页 |
| 2.3.3 全局灰度(颜色)相似性度量标准 | 第31-32页 |
| 2.3.4 改进距离度量 | 第32页 |
| 2.3.5 结果与分析 | 第32-34页 |
| 2.4 相似类合并FCM算法 | 第34-38页 |
| 2.4.1 区域合并 | 第34-35页 |
| 2.4.2 算法流程 | 第35页 |
| 2.4.3 结果与分析 | 第35-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第3章 和声搜索算法在聚类分析中的应用 | 第40-58页 |
| 3.1 引言 | 第40-41页 |
| 3.2 优化方法在聚类分析中的应用 | 第41-44页 |
| 3.2.1 基于蚁群的聚类分析算法 | 第41-43页 |
| 3.2.2 基于粒子群的聚类分析算法 | 第43-44页 |
| 3.3 基于状态反馈和声搜索算法 | 第44-48页 |
| 3.3.1 和声搜索算法 | 第44-46页 |
| 3.3.2 改进和声搜索算法 | 第46-47页 |
| 3.3.3 基于状态反馈的和声搜索算法 | 第47-48页 |
| 3.4 和声搜索算法在聚类分析中的应用 | 第48-50页 |
| 3.4.1 基于和声搜索聚类分析算法 | 第48-49页 |
| 3.4.2 确定聚类中心数 | 第49页 |
| 3.4.3 算法流程 | 第49-50页 |
| 3.5 实验结果与分析 | 第50-57页 |
| 3.5.1 性能测试 | 第50-56页 |
| 3.5.2 确定聚类中心数 | 第56-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第4章 改进FCM在交互式图像分割中的应用 | 第58-74页 |
| 4.1 引言 | 第58-59页 |
| 4.2 交互式图像分割 | 第59-66页 |
| 4.2.1 图割(graph cut) | 第59-60页 |
| 4.2.2 Live wire | 第60-62页 |
| 4.2.3 活动轮廓模型 | 第62-64页 |
| 4.2.4 随机走算法 | 第64-66页 |
| 4.3 改进FCM在交互式图像分割中的应用 | 第66-70页 |
| 4.3.1 距离度量 | 第66-67页 |
| 4.3.2 自适应特征提取 | 第67-69页 |
| 4.3.3 算法流程 | 第69-70页 |
| 4.4 实验结果与分析 | 第70-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第5章 Live wire交互式图像分割算法 | 第74-92页 |
| 5.1 引言 | 第74-75页 |
| 5.2 最短路径搜索算法 | 第75-78页 |
| 5.2.1 Dijkstra算法 | 第75-76页 |
| 5.2.2 粒子群算法在求解最短路径中的应用 | 第76-78页 |
| 5.3 改进的全局和声搜索算法在求解最短路径中的应用 | 第78-86页 |
| 5.3.1 改进和声搜索算法 | 第78-79页 |
| 5.3.2 数值仿真 | 第79-81页 |
| 5.3.3 和声搜索算法求解最短路径 | 第81-84页 |
| 5.3.4 结果与分析 | 第84-86页 |
| 5.4 基于粒子群Live wire交互式图像分割算法 | 第86-90页 |
| 5.4.1 局部代价函数 | 第87-88页 |
| 5.4.2 改进代价函数 | 第88页 |
| 5.4.3 粒子群算法中的参数设置 | 第88-89页 |
| 5.4.4 结果与分析 | 第89-90页 |
| 5.5 本章小结 | 第90-92页 |
| 第6章 随机游走算法在图像分割中的应用 | 第92-108页 |
| 6.1 引言 | 第92-93页 |
| 6.2 随机游走图像分割算法 | 第93-94页 |
| 6.3 自适应随机游走图像分割算法 | 第94-98页 |
| 6.3.1 纹理相似性描述 | 第95-96页 |
| 6.3.2 自适应权值估计 | 第96-97页 |
| 6.3.3 结果与分析 | 第97-98页 |
| 6.4 基于Mean Shift随机游走图像分割算法 | 第98-105页 |
| 6.4.1 Mean Shift图像分割算法 | 第99-100页 |
| 6.4.2 改进权值 | 第100-101页 |
| 6.4.3 算法描述 | 第101-102页 |
| 6.4.4 实验结果与分析 | 第102-105页 |
| 6.5 本章小结 | 第105-108页 |
| 第7章 三种困难分割肺结节的精确分割方法 | 第108-122页 |
| 7.1 引言 | 第108-109页 |
| 7.2 孤立肺结节 | 第109-112页 |
| 7.2.1 磨玻璃征肺结节 | 第110-111页 |
| 7.2.2 毛刺征肺结节 | 第111页 |
| 7.2.3 与血管或胸壁相连的肺结节 | 第111-112页 |
| 7.3 随机游走算法在肺结节分割中的应用 | 第112-118页 |
| 7.3.1 图像预处理 | 第113页 |
| 7.3.2 随机游走图像分割算法 | 第113-114页 |
| 7.3.3 改进随机游走算法 | 第114-116页 |
| 7.3.4 两点间抛物线法 | 第116-117页 |
| 7.3.5 算法流程 | 第117-118页 |
| 7.4 结果与分析 | 第118-121页 |
| 7.4.1 磨玻璃征肺结节图像仿真实验 | 第118-119页 |
| 7.4.2 具有毛刺征孤立肺结节图像仿真实验 | 第119-120页 |
| 7.4.3 与血管和胸壁相连肺结节图像仿真实验 | 第120-121页 |
| 7.5 本章小结 | 第121-122页 |
| 第8章 总结与展望 | 第122-126页 |
| 参考文献 | 第126-136页 |
| 致谢 | 第136-138页 |
| 作者在攻读博士期间所做工作 | 第138-139页 |
