| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 课题的研究背景与意义 | 第15-16页 |
| 1.2 图像分割发展及现状 | 第16-19页 |
| 1.2.1 阈值法 | 第16-17页 |
| 1.2.2 边缘检测法 | 第17页 |
| 1.2.3 区域生长法 | 第17页 |
| 1.2.4 可变模型法 | 第17-19页 |
| 1.2.5 基于聚类的分割模型 | 第19页 |
| 1.2.6 基于特定理论的分割模型 | 第19页 |
| 1.3 图像显著性研究现状 | 第19-21页 |
| 1.3.1 自底向上的显著性检测模型 | 第19-21页 |
| 1.3.2 自顶向下的视觉显著性模型 | 第21页 |
| 1.4 问题的提出及研究目标 | 第21-22页 |
| 1.5 论文的主要贡献与组织结构安排 | 第22-23页 |
| 第2章 相关概念和基本理论 | 第23-37页 |
| 2.1 区域生长算法 | 第23-25页 |
| 2.1.1 初始种子点的选取 | 第24页 |
| 2.1.2 生长规则的确定 | 第24-25页 |
| 2.2 最大类间方差法 | 第25-27页 |
| 2.3 最大熵法 | 第27页 |
| 2.4 脉冲耦合神经网络 | 第27-31页 |
| 2.4.1 脉冲耦合神经网络模型 | 第28-29页 |
| 2.4.2 脉冲耦合神经网络的工作原理及其动力学分析 | 第29-31页 |
| 2.5 水平集模型 | 第31-33页 |
| 2.6 显著性检测 | 第33-35页 |
| 2.6.1 基于全局对比度的显著性检测模型 | 第33-35页 |
| 2.6.2 不同显著性检测模型的对比 | 第35页 |
| 2.7 本章小结 | 第35-37页 |
| 第3章 基于区域生长的显著性脉冲耦合神经网络的图像分割 | 第37-53页 |
| 3.1 引言 | 第37-38页 |
| 3.2 基于区域生长的脉冲耦合神经网络 | 第38页 |
| 3.3 基于区域生长的显著性脉冲耦合神经网络的分割模型 | 第38-42页 |
| 3.3.1 提取显著性图及确定初始种子点 | 第38-40页 |
| 3.3.2 改进生长规则 | 第40-41页 |
| 3.3.3 本章模型的流程图 | 第41-42页 |
| 3.5 实验结果与算法性能分析 | 第42-45页 |
| 3.5.1 图像分割结果对比 | 第42-43页 |
| 3.5.2 客观评价标准 | 第43-45页 |
| 3.6 基于区域生长的显著性局部脉冲耦合神经网络 | 第45-48页 |
| 3.6.1 直方图阈值法确定初始种子点 | 第45-46页 |
| 3.6.2 RG-SLPCNN模型 | 第46-48页 |
| 3.6.3 最优化迭代次数 | 第48页 |
| 3.7 实验结果与分析 | 第48-52页 |
| 3.7.1 自然图像分割 | 第48-50页 |
| 3.7.2 灰度不均匀图像分割 | 第50-51页 |
| 3.7.3 客观评价指标分析 | 第51-52页 |
| 3.8 本章小结 | 第52-53页 |
| 第4章 基于局部Renyi熵的显著性水平集图像分割 | 第53-67页 |
| 4.1 引言 | 第53页 |
| 4.2 基于局部Renyi熵的显著性水平集模型 | 第53-58页 |
| 4.2.1 初始轮廓的确定 | 第53-54页 |
| 4.2.2 构造水平集能量泛函 | 第54页 |
| 4.2.3 基于局部Renyi熵的自适应权重系数 | 第54-55页 |
| 4.2.4 基于Canny算子的边界指示函数 | 第55页 |
| 4.2.5 最终能量泛函公式 | 第55-56页 |
| 4.2.6 各向异性滤波 | 第56-57页 |
| 4.2.7 算法流程 | 第57-58页 |
| 4.4 实验结果与分析 | 第58-65页 |
| 4.4.1 自然图像分割 | 第58-61页 |
| 4.4.2 医学图像分割 | 第61-63页 |
| 4.4.3 人工合成图像与灰度不均匀图像分割 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 总结和展望 | 第67-69页 |
| 参考文献 | 第69-76页 |
| 致谢 | 第76-77页 |
| 附录A攻读硕士学位期间所发表的学术论文 | 第77页 |
