| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 本文主要研究内容 | 第10页 |
| 1.4 本文的组织结构 | 第10-12页 |
| 第二章 相关背景知识介绍 | 第12-20页 |
| 2.1 引言 | 第12页 |
| 2.2 谱聚类理论基础 | 第12-14页 |
| 2.2.1 图的基本概念 | 第12页 |
| 2.2.2 谱聚类划分准则 | 第12-13页 |
| 2.2.3 谱聚类相似矩阵的构造 | 第13-14页 |
| 2.3 谱聚类算法 | 第14-15页 |
| 2.3.1 PF算法 | 第14页 |
| 2.3.2 SM算法 | 第14页 |
| 2.3.3 SLH算法 | 第14页 |
| 2.3.4 Mmcut算法 | 第14-15页 |
| 2.3.5 NJW算法 | 第15页 |
| 2.3.6 MS算法 | 第15页 |
| 2.4 聚类评价指标 | 第15-16页 |
| 2.5 深度学习的相关概念 | 第16-18页 |
| 2.5.1 深度学习的基本思想 | 第16页 |
| 2.5.2 深度学习的训练过程 | 第16-17页 |
| 2.5.3 深度学习的相关模型 | 第17-18页 |
| 2.6 图像分割的相关概念 | 第18-19页 |
| 2.6.1 图像分割概述 | 第18页 |
| 2.6.2 图像分割方法 | 第18-19页 |
| 2.7 本章小结 | 第19-20页 |
| 第三章 利用稀疏自编码的局部谱聚类映射算法 | 第20-29页 |
| 3.1 引言 | 第20页 |
| 3.2 稀疏自编码 | 第20-21页 |
| 3.3 谱聚类 | 第21-23页 |
| 3.3.1 谱聚类思想与算法 | 第21-22页 |
| 3.3.2 局部谱聚类 | 第22页 |
| 3.3.3 局部谱聚类与映射的协同训练 | 第22-23页 |
| 3.4 利用稀疏自编码的局部谱聚类映射算法——LSCMS | 第23-24页 |
| 3.5 实验结果与分析 | 第24-28页 |
| 3.5.1 数据集以及实验设置 | 第24-25页 |
| 3.5.2 ZCA白化 | 第25页 |
| 3.5.3 评价指标 | 第25页 |
| 3.5.4 实验结果与分析 | 第25-28页 |
| 3.6 本章小结 | 第28-29页 |
| 第四章 基于加权密度的自适应谱聚类算法 | 第29-35页 |
| 4.1 引言 | 第29页 |
| 4.2 谱聚类算法以及尺度参数的选取 | 第29-30页 |
| 4.3 基于加权密度的自适应谱聚类算法（WDSC） | 第30-32页 |
| 4.3.1 邻接矩阵的加权尺度参数分析 | 第30-31页 |
| 4.3.2 邻接矩阵的密度差分析 | 第31-32页 |
| 4.3.3 算法流程 | 第32页 |
| 4.4 实验与结果分析 | 第32-34页 |
| 4.4.1 有效性实验 | 第32-33页 |
| 4.4.2 算法性能分析 | 第33-34页 |
| 4.5 本章小结 | 第34-35页 |
| 第五章 基于加权密度的自适应谱聚类图像分割 | 第35-51页 |
| 5.1 引言 | 第35页 |
| 5.2 图像预处理 | 第35-39页 |
| 5.2.1 分水岭算法 | 第35-36页 |
| 5.2.2 色彩模型 | 第36-39页 |
| 5.3 构建相似度矩阵 | 第39-40页 |
| 5.3.1 颜色空间相似度矩阵 | 第39-40页 |
| 5.3.2 地理空间相似度矩阵 | 第40页 |
| 5.3.3 相似度矩阵 | 第40页 |
| 5.4 算法流程 | 第40-41页 |
| 5.5 实验结果分析 | 第41-50页 |
| 5.5.1 实验效果 | 第41-44页 |
| 5.5.2 对比实验视觉效果 | 第44-48页 |
| 5.5.3 对比实验定量分析 | 第48-50页 |
| 5.6 本章小结 | 第50-51页 |
| 主要结论与展望 | 第51-53页 |
| 工作总结 | 第51-52页 |
| 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第58页 |