| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·课题研究意义 | 第7页 |
| ·图像分割技术发展概况 | 第7-9页 |
| ·论文理论背景 | 第9-11页 |
| ·纹理分割 | 第9-10页 |
| ·人工神经网络 | 第10-11页 |
| ·论文内容 | 第11-13页 |
| 第二章 纹理分割技术 | 第13-25页 |
| ·概述 | 第13页 |
| ·基于特征的方法 | 第13-15页 |
| ·基于算子的特征提取 | 第13-14页 |
| ·基于统计的特征提取 | 第14页 |
| ·基于变换域的特征提取 | 第14-15页 |
| ·基于模型的方法 | 第15-16页 |
| ·分维模型 | 第15页 |
| ·随机场模型 | 第15-16页 |
| ·基于结构的方法 | 第16页 |
| ·基于空间/频域的方法 | 第16-18页 |
| ·小波方法 | 第16-17页 |
| ·Gabor 方法 | 第17-18页 |
| ·GABOR 滤波器提取图像纹理特征 | 第18-21页 |
| ·Gabor 变换 | 第18-19页 |
| ·二维Gabor 初等函数 | 第19-20页 |
| ·Gabor 滤波器 | 第20-21页 |
| ·实验结果分析与小结 | 第21-25页 |
| 第三章 神经网络 | 第25-39页 |
| ·神经网络发展概述 | 第25-28页 |
| ·神经网络初始发展期 | 第25-26页 |
| ·低潮时期 | 第26-27页 |
| ·神经网络复兴时期 | 第27页 |
| ·神经网络发展高潮期 | 第27-28页 |
| ·神经网络常用模型 | 第28-29页 |
| ·自组织特征映射神经网络模型 | 第29-32页 |
| ·自组织特征映射神经网络结构 | 第29-31页 |
| ·自组织特征映射神经网络学习方法 | 第31-32页 |
| ·用于图像分割的自组织特征映射神经网络 | 第32-35页 |
| ·矢量量化 | 第32页 |
| ·自组织特征映射神经网络与矢量化的关系 | 第32-33页 |
| ·用于模式聚类的自组织神经网络 | 第33-35页 |
| ·实验结果分析与小结 | 第35-39页 |
| 第四章 经过优化的基于纹理特征的图像分割 | 第39-55页 |
| ·图像预处理 | 第39页 |
| ·QPSO 算法优化设计的二维IIR 数字滤波器 | 第39-50页 |
| ·引言 | 第39-40页 |
| ·二维IIR 系统 | 第40-41页 |
| ·二维IIR 系统的稳定性判别 | 第41-42页 |
| ·优化设计的二维IIR 数字滤波器 | 第42-44页 |
| ·多样性引导的具有量子行为的粒子群优化(DGQPSO)算法 | 第44-47页 |
| ·实例研究 | 第47-50页 |
| ·实验结果与小结 | 第50-55页 |
| 第五章 结论与展望 | 第55-57页 |
| ·本文的结论 | 第55页 |
| ·存在的问题与对未来的展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第62页 |