粪便中有型成分显微图像的自动识别技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本论文的主要研究内容 | 第13-15页 |
| 第二章 显微图像的预处理 | 第15-29页 |
| 2.1 数字图像基础 | 第15-16页 |
| 2.2 图像平滑 | 第16-18页 |
| 2.2.1 平滑线性滤波 | 第16-17页 |
| 2.2.2 统计排序滤波 | 第17-18页 |
| 2.3 图像分割 | 第18-21页 |
| 2.3.1 图像的分割方法 | 第18-19页 |
| 2.3.2 阈值的选取与二值化 | 第19-21页 |
| 2.4 数学形态学 | 第21-26页 |
| 2.4.1 数学形态学的基本运算 | 第21-24页 |
| 2.4.2 灰度图像形态学 | 第24-26页 |
| 2.5 连通区域标记 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 人工神经网络原理 | 第29-47页 |
| 3.1 人工神经网络简介 | 第29-31页 |
| 3.1.1 人工神经网络概述 | 第29-30页 |
| 3.1.2 生物神经元系统 | 第30-31页 |
| 3.2 人工神经网络基本理论 | 第31-39页 |
| 3.2.1 人工神经元模型 | 第31-32页 |
| 3.2.2 转移函数 | 第32-34页 |
| 3.2.3 人工神经网络模型 | 第34-37页 |
| 3.2.4 神经网络的学习方法 | 第37-39页 |
| 3.3 BP神经网络 | 第39-46页 |
| 3.3.1 BP神经网络的原理 | 第39-43页 |
| 3.3.2 BP神经网络的执行步骤 | 第43-45页 |
| 3.3.3 BP神经网络的缺点及改进 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 粪便中有型成分图像特征提取 | 第47-64页 |
| 4.1 有型成分的特征 | 第47-48页 |
| 4.1.1 霉菌的形态特性 | 第47页 |
| 4.1.2 夏科雷登晶体的形态特征 | 第47-48页 |
| 4.2 基本形态特征 | 第48-53页 |
| 4.2.1 基本几何形态特征 | 第48-50页 |
| 4.2.2 椭圆拟合形态特征 | 第50-53页 |
| 4.3 圆形数量 | 第53-56页 |
| 4.3.1 模板匹配 | 第53-54页 |
| 4.3.2 聚类分析 | 第54-56页 |
| 4.4 凹点数量 | 第56-58页 |
| 4.4.1 图像的轮廓跟踪 | 第56-57页 |
| 4.4.2 凹点检测 | 第57-58页 |
| 4.5 菱形宽度比 | 第58-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 算法设计与实验结果 | 第64-76页 |
| 5.1 算法设计流程 | 第64页 |
| 5.2 基于多层图像的阈值分割 | 第64-66页 |
| 5.3 基于BP神经网络的自动识别 | 第66-70页 |
| 5.3.1 有型成分特征数据的提取 | 第66-68页 |
| 5.3.2 神经网络的设计与训练 | 第68-69页 |
| 5.3.3 实验结果及分析 | 第69-70页 |
| 5.4 图像算法的加速 | 第70-74页 |
| 5.4.1 CUDA及并行运算简介 | 第70-73页 |
| 5.4.2 图像处理算法的并行设计 | 第73-74页 |
| 5.4.3 实验结果及分析 | 第74页 |
| 5.5 本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本文的主要工作 | 第76页 |
| 6.2 进一步工作的展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间取得的成果 | 第83-84页 |
