0 总论 1
0.1 图像分割问题概述 1
0.1.1 图像分割的基本概念 1
0.1.2 图像分割的研究内容 1
0.1.3 图像分割在图像理解中的地位 2
0.2 图像分割模型概述 3
0.2.1 基于线（边界）和基于区域特征的分割模型 3
0.2.2 基于串行和基于并行技术的分割模型 4
0.2.3 基于特定数学或仿生理论基础的分割模型 6
0.3 图像并行处理技术概述 9
0.3.1 图像并行处理技术的概念与基础 12
0.3.2 图像并行处理技术的应用 16
1 绪论 19
1.1 图像理解的研究、应用及图像分割 19
1.1.1 什么是图像理解 19
1.1.2 图像理解模型 19
1.1.3 图像理解的研究和应用 21
1.2 图像分割及其意义 22
1.3 图像分割的研究现状及其面临的问题 24
1.4 本文的研究内容和目标 28
1.5 论文的组织与安排 29
2 图论、概率网络及DMN 30
2.1 图论与概率网络 30
2.1.1 图论的基本概念 30
2.1.2 概率网络的概念 33
2.1.3 概率分布的图表达及意义 36
2.2 可分解马尔科夫网络（DMN）的研究与应用现状 37
2.2.1 可分解马尔科夫网络（DMN）的研究 37
2.2.2 可分解马尔科夫网络（DMN）的应用现状 42
2.3 概率网络中的局部计算 44
2.3.1 条件概率表 45
2.3.2 证据势函数 45
2.3.3 集合链 46
2.3.4 集团边缘 46
2.4 本章小结 47
3 图论与图像分割方法研究 49
3.1 图像分割中图论方法的应用 49
3.2 图像分割中图论方法的局限性 54
3.3 图像分割中图论方法的扩展途径 56
3.4 本章小结 56
4.1 什么是DMN 57
4 DMN在图像分割中的扩展 57
4.2 图像分割中DMN的再思考与再定义 58
4.3 DMN在图像分割中的扩展 60
4.4 本章小结 60
5 图像分割中DMN的建模方法 61
5.1 图像分割中的算法综述 61
5.1.1 边界分割算法简介 61
5.1.2 区域分割算法简介 64
5.1.3 结合特定理论工具的分割技术 70
5.2 图像分割中DMN的建模方法 80
5.3 本章小结 84
6 DMN在图像分割中的应用 85
6.1 DMN网络工作机制 85
6.1.1 单个节点的工作机制 86
6.1.2 网络整体的工作机制 86
6.2 基于DMN的图像滤波、平滑以及分割的算法思想 88
6.2.1 基本思想 89
6.2.2 象素特征定位 90
6.2.3 算法流程 90
6.3 DMN图像滤波、平滑以及分割与其它方法的比较 92
6.3.1 基于DMN方法与其它平滑、滤波方法的比较 92
6.3.2 基于DMN图像分割与水线方法的比较 93
6.3.3 基于DMN图像分割与过渡区方法的比较 94
6.4 实验分析与结论 96
6.4.1 基于DMN的图像滤波实验与结论 96
6.4.2 基于DMN的图像平滑实验与结论 101
6.4.3 基于DMN的图像分割实验与结论 105
6.5 基于DMN的人造目标（Man—made Object）分割试验 111
6.6 本章小结 120
7 图像分割中DMN与MRF的比较 121
7.1 MRF及其图像分割方法概述 121
7.2.1 图像分割中MRF的基本原理 124
7.2 图像分割中MRF的原理与方法 124
7.2.2 图像分割中MRF的实施方法 127
7.3 图像分割中DMN与MRF方法的比较分析 129
7.4 本章小结 132
8 图形分割评价方法概述 134
8.1 图像分割评价准则概述 135
8.2 图像分割算法评价框架研究 139
9 全文总结与展望 143
9.1 全文总结 143
9.2 展望 144
参考文献 145