神经元图像识别相关方法探究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.3 本文主要研究工作和结构安排 | 第15-18页 |
| 第2章 神经元图像获取和预处理 | 第18-22页 |
| 2.1 实验平台介绍 | 第18-19页 |
| 2.2 样本刻蚀处理 | 第19-20页 |
| 2.3 图像配准 | 第20-22页 |
| 第3章 神经元细胞膜识别方法 | 第22-39页 |
| 3.1 引言 | 第22-23页 |
| 3.2 图像预处理 | 第23-29页 |
| 3.2.1 卷积神经网络简介 | 第23-24页 |
| 3.2.2 卷积神经网络算法原理 | 第24-28页 |
| 3.2.3 卷积神经网络输出亲和图 | 第28-29页 |
| 3.3 分水岭方法 | 第29-34页 |
| 3.3.1 概述 | 第29页 |
| 3.3.2 数学形态学 | 第29-32页 |
| 3.3.3 基于标记的分水岭方法 | 第32-34页 |
| 3.4 基于稀疏标记的区域生长方法 | 第34-37页 |
| 3.5 分割结果融合 | 第37-38页 |
| 3.6 本章小节 | 第38-39页 |
| 第4章 神经元细胞器识别方法 | 第39-48页 |
| 4.1 引言 | 第39-40页 |
| 4.2 基于Haar特征的AdaBoost方法 | 第40-46页 |
| 4.2.1 概述 | 第40页 |
| 4.2.2 Haar特征 | 第40-41页 |
| 4.2.3 计算Haar特征方法 | 第41-43页 |
| 4.2.4 构造弱分类器和强分类器 | 第43-44页 |
| 4.2.5 级联分类器 | 第44-46页 |
| 4.3 实验结果 | 第46-47页 |
| 4.4 本章小节 | 第47-48页 |
| 第5章 3D重建方法 | 第48-56页 |
| 5.1 引言 | 第48页 |
| 5.2 光流算法简介 | 第48-49页 |
| 5.3 传统光流计算方法 | 第49-51页 |
| 5.4 基于稠密HOG特征的光流计算方法 | 第51-54页 |
| 5.4.1 稠密HOG特征提取 | 第51-53页 |
| 5.4.2 寻找对应点并计算光流 | 第53-54页 |
| 5.4.3 细胞膜3D重建结果 | 第54页 |
| 5.5 本章小结 | 第54-56页 |
| 第6章 结果及展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 硕士生在读期间已发表和已录用的论文情况 | 第65页 |
