本文针对基于概率密度有限混合模型分割过程中存在的若干关键问题，进行定性研究与定量分析，且理论结合实际，介绍了多种新型鲁棒的自然图像分割方法，并最终将相关图像分割结果辅助或指导场景分类、目标检测等高层图像分析任务。
本书一共包含15个章节，主要包括图像分割的背景、目的、意义，以及国内外现状；图割模型优化的基础理论；图像的配准方法；图像的融合方法；基于全变分流的边界(TVFE)提取技术；改进有限混合模型的图像分割方法；图像的去色方法；结合狄利克雷分布与均值模板的图像分割方法；结合测地线活动轮廓与模糊C均值的图像分割方法；基于非局部均值模板的图像分割方法；基于空间约束概率模型优化的图像分割方法；基于多变量学生-t分布的多类图像分割方法；深度学习的基本原理；图像的场景分类方法；图像的目标检测方法。

杨勇,男，工学博士，主要研究方向为模式识别、机器学习、图像分割，主要研究特征提取、能量模型优化等方面。在图像处理与模式识别领域发表SCI／EI期刊8篇，曾作为主要负责人主持国家级、省部级、地厅级项目7项，并获得软件著作权10项，授权实用新型专利8项，发明专利2项。

第1章 绪论
1.1 研究的目的、背景及意义
1.2 图像分割方法的研究状况
1.3 基于图论的图像分割方法
1.4 基于有限混合模型的分割方法
第2章 图割模型优化的基础理论
2.1 最大流／最小割理论
2.2 图像的概率密度能量函数建模
2.3 图割理论优化目标能量函数
2.4 本章小结
第3章 图像的配准方法
3.1 点特征的图像配准
3.2 SIFT特征点的选择与配对
3.3 结合边缘轮廓特征的图像配准方法
3.4 利用轮廓曲线的图像配准方法
3.5 基于遗传算法的图像配准方法
第4章 图像的融合方法
4.1 引言
4.2 非子采样变换过程
4.3 基于Contourlet变换的图像融合
4.4 改进区域方差的图像融合算法
4.5 结合边缘信息与区域方差的图像融合算法
第5章 基于全变分流的边界(TVFE)提取技术
5.1 基于全变分流的边界(TVFE)提取
5.2 TVFE的快速数值化计算
5.3 实验验证
5.4 本章小结
第6章 改进有限混合模型的图像分割方法
6.1 有限混合模型
6.2 结合马尔科夫随机场的有限混合模型
6.3 像素类别的先验标签信息计算
6.4 本章小结
第7章 图像的去色方法
7.1 引言
7.2 建立模型与求解
7.3 实验对比与评估分析
7.4 本章小结
第8章 结合狄利克雷分布与均值模板的图像分割方法
8.1 引言
8.2 狄利克雷分布模型建立
8.3 狄利克雷分布的参数计算
8.4 实验对比与评估分析
8.5 本章小结
第9章 结合测地线活动轮廓与模糊c均值的图像分割方法
9.1 引言
9.2 带CAC的模糊C均值模型
9.3 模糊C均值参数学习
9.4 实验对比与分析
9.5 本章小结
第10章 基于非局部均值模板的图像分割方法
10.1 引言
10.2 空间约束的学生-t模型
10.3 空间约束的学生-t分布参数计算
10.4 实验对比与分析
10.5 基于MRI医学图像的对比实验
10.6 本章小结
第11章 基于空间约束概率模型优化的图像分割方法
11.1 空间约束混合模型
11.2 多变量混合学生-t分布与TVFE相结合的空间约束模型
11.3 实验对比与分析
11.4 本章小结
第12章 基于多变量学生-t分布的多类图像分割方法
12.1 基于多变量学生-t分布的变分模型图像分割方法
12.2 基于多变量学生-t分布的彩色纹理图像分割方法
12.3 本章小结
第13章 深度学习的基本原理
13.1 深度学习概述
13.2 深度卷积神经网络结构
13.3 神经网络优化算法
13.4 典型神经网络模型
13.5 强化学习
13.6 迁移学习
第14章 图像的场景分类方法
14.1 基于条件随机场的图像场景分类方法
14.2 利用全局优化策略的图像场景分类
14.3 利用卷积流形网络的图像场景分类方法
14.4 改进超图学习的图像场景分类方法
第15章 图像的目标检测方法
15.1 图像分层显著性目标提取方法
15.2 图像的人造目标检测方法
15.3 图像单类信息提取方法
15.4 特定类别的图像分类方法