| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第10-14页 |
| 1 绪论 | 第14-28页 |
| 1.1 图像分割概述 | 第14-15页 |
| 1.2 图像分割算法综述 | 第15-21页 |
| 1.2.1 区域生长和分裂合并法 | 第15页 |
| 1.2.2 分水岭法 | 第15-16页 |
| 1.2.3 阈值法 | 第16-18页 |
| 1.2.4 边缘检测法 | 第18页 |
| 1.2.5 基于聚类的分割法 | 第18-20页 |
| 1.2.6 结合特定理论的分割方法 | 第20-21页 |
| 1.3 基于智能优化算法的图像分割研究进展 | 第21-22页 |
| 1.4 自动聚类方法的研究现状 | 第22-24页 |
| 1.4.1 基于模糊划分的聚类有效性函数 | 第23页 |
| 1.4.2 基于可能性分布的聚类有效性函数 | 第23页 |
| 1.4.3 基于几何结构的聚类有效性函数 | 第23-24页 |
| 1.4.4 基于数据统计信息的聚类有效性函数 | 第24页 |
| 1.5 课题来源 | 第24-25页 |
| 1.6 本文的结构安排 | 第25-26页 |
| 1.7 本文的研究内容和创新点 | 第26-28页 |
| 2 粒子群优化算法概述及其改进 | 第28-39页 |
| 2.1 粒子群优化算法的基本原理 | 第28-30页 |
| 2.1.1 算法起源 | 第28页 |
| 2.1.2 基本粒子群优化算法 | 第28-29页 |
| 2.1.3 算法的特点与参数设置 | 第29-30页 |
| 2.2 粒子群算法的研究进展 | 第30-32页 |
| 2.2.1 基于模型的改进算法 | 第30-31页 |
| 2.2.2 基于种群多样性的改进 | 第31页 |
| 2.2.3 与其它算法的融合 | 第31-32页 |
| 2.3 一种新的基于粒子空间对称分布的PSO算法 | 第32-38页 |
| 2.3.1 多样性函数的定义及调节方法 | 第32-33页 |
| 2.3.2 算法设计 | 第33-34页 |
| 2.3.3 算法仿真与分析 | 第34-38页 |
| 2.4 本章小结 | 第38-39页 |
| 3 基于阈值选取及粒子群优化算法的图像分割 | 第39-94页 |
| 3.1 引言 | 第39页 |
| 3.2 基于最大类间方差的阂值分割 | 第39-50页 |
| 3.2.1 一维Otsu法 | 第39-41页 |
| 3.2.2 二维Otsu法 | 第41-44页 |
| 3.2.3 基于邻域灰度梯度的改进二维Otsu法 | 第44-46页 |
| 3.2.4 基于邻域灰度对比度的改进二维Otsu法 | 第46-47页 |
| 3.2.5 实验结果及分析 | 第47-50页 |
| 3.3 基于最大熵法的阈值分割 | 第50-60页 |
| 3.3.1 一维最大熵法 | 第50-51页 |
| 3.3.2 二维最大熵法 | 第51-53页 |
| 3.3.3 实验仿真与结果分析 | 第53-59页 |
| 3.3.4 Otsu类算法和KSW类算法的比较 | 第59-60页 |
| 3.4 基于一维最大模糊熵的阈值分割 | 第60-67页 |
| 3.4.1 模糊集与模糊性测度定义 | 第60-62页 |
| 3.4.2 图像的模糊划分与模糊熵 | 第62-63页 |
| 3.4.3 图像的模糊集及概率计算 | 第63-64页 |
| 3.4.4 基于模糊熵的阈值分割算法 | 第64-66页 |
| 3.4.5 实验结果及分析 | 第66-67页 |
| 3.5 基于二维最大模糊熵的阈值分割 | 第67-77页 |
| 3.5.1 图像的二维模糊划分 | 第68-71页 |
| 3.5.2 图像的二维模糊熵 | 第71-72页 |
| 3.5.3 基于二维模糊熵和改进粒子群的阈值分割算法 | 第72-73页 |
| 3.5.4 实验结果及分析 | 第73-77页 |
| 3.6 基于二维最大改进模糊熵及粒子群算法的阈值分割 | 第77-82页 |
| 3.6.1 基于改进二维灰度直方图的模糊隶属划分 | 第77-78页 |
| 3.6.2 实验结果及分析 | 第78-82页 |
| 3.7 基于三维最大模糊熵和改进粒子群的阈值分割算法 | 第82-92页 |
| 3.7.1 三维直方图的定义 | 第82-83页 |
| 3.7.2 基于三维直方图的模糊隶属划分 | 第83-84页 |
| 3.7.3 图像的三维模糊熵 | 第84-85页 |
| 3.7.4 基于三维最大模糊熵和改进粒子群的阈值分割算法 | 第85-87页 |
| 3.7.5 实验结果及分析 | 第87-92页 |
| 3.8 本章小结 | 第92-94页 |
| 4 基于模糊聚类分析及粒子群优化算法的图像分割 | 第94-139页 |
| 4.1 引言 | 第94-99页 |
| 4.1.1 聚类分析的数学模型 | 第94-95页 |
| 4.1.2 硬C-均值(HCM)聚类 | 第95页 |
| 4.1.3 模糊C-均值(FCM)聚类 | 第95-97页 |
| 4.1.4 FCM的存在问题 | 第97页 |
| 4.1.5 FCM的改进思路 | 第97-99页 |
| 4.2 几种常见的改进FCM算法品 | 第99-110页 |
| 4.2.1 快速模糊C均值算法 | 第99-100页 |
| 4.2.2 BCFCM算法及其简化算法 | 第100-101页 |
| 4.2.3 EnFCM算法 | 第101-102页 |
| 4.2.4 FGFCM与MFGFCM算法 | 第102-104页 |
| 4.2.5 FCM_AWA算法 | 第104-105页 |
| 4.2.6 SHFCM算法 | 第105页 |
| 4.2.7 AWFCM算法 | 第105-106页 |
| 4.2.8 LNLFCM算法 | 第106-108页 |
| 4.2.9 模糊核聚类算法 | 第108-110页 |
| 4.3 基于灰度和空间距离相似性的FCM算法 | 第110-112页 |
| 4.3.1 基于空间距离相似性的FCM算法 | 第110-111页 |
| 4.3.2 基于灰度和空间距离相似性的FCM算法 | 第111-112页 |
| 4.4 基于对称分布粒子群算法的快速模糊C均值聚类分割 | 第112-138页 |
| 4.4.1 sdPSO_FFCM算法 | 第112-113页 |
| 4.4.2 实验结果与算法性能分析 | 第113-138页 |
| 4.5 本章小结 | 第138-139页 |
| 5 基于互信息和类距离测度最优的图像聚类 | 第139-170页 |
| 5.1 引言 | 第139页 |
| 5.2 基本概念 | 第139-141页 |
| 5.2.1 熵与互信息 | 第140页 |
| 5.2.2 模糊互信息 | 第140-141页 |
| 5.3 基于互信息与对称分布多样性的粒子群算法的图像聚类 | 第141-149页 |
| 5.3.1 适应度函数的选择 | 第141-143页 |
| 5.3.2 算法流程 | 第143页 |
| 5.3.3 算法仿真与分析 | 第143-149页 |
| 5.4 基于互信息熵差测度的类数判别 | 第149-155页 |
| 5.4.1 基本定义及类别数的确定 | 第150-151页 |
| 5.4.2 基于互信息熵差测度的类别数判别法的缺陷 | 第151-155页 |
| 5.5 基于最大类内距离和平均离散度的单调性的图像自动聚类 | 第155-168页 |
| 5.5.1 实验结果与分析 | 第155-162页 |
| 5.5.2 基于d_(max)和J_e的单调性与极值变化的类数自动判别法 | 第162-164页 |
| 5.5.3 基于d_(max)与J_e的单调性与极值变化和MIM-DIS-PSO算法的自动聚类分割 | 第164-168页 |
| 5.6 本章小结 | 第168-170页 |
| 6 结束语 | 第170-173页 |
| 6.1 本文的主要工作 | 第170-171页 |
| 6.2 将来的工作 | 第171-173页 |
| 参考文献 | 第173-190页 |
| 致谢 | 第190-191页 |
| 附录 | 第191页 |
