| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 图像分类识别技术的现状 | 第11-12页 |
| 1.2.2 视网膜图像分类技术研究现状 | 第12-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本文的章节安排 | 第15-16页 |
| 第二章 糖尿病性视网膜病变眼底特征图像的分割研究 | 第16-34页 |
| 2.1 数据的采集与预处理 | 第17-19页 |
| 2.1.1 眼底图像血管分割数据集 | 第17页 |
| 2.1.2 眼底图像渗出物和出血点分割数据集 | 第17-19页 |
| 2.2 眼底图像的预处理 | 第19-23页 |
| 2.2.1 灰度化转换 | 第19-20页 |
| 2.2.2 图像标准化和归一化 | 第20-21页 |
| 2.2.3 图像增强 | 第21-22页 |
| 2.2.4 图像伽马(Gamma)矫正 | 第22-23页 |
| 2.3 眼底特征图像分割网络 | 第23-27页 |
| 2.3.1 分割网络的实现 | 第23-26页 |
| 2.3.2 分割网络loss的改进 | 第26-27页 |
| 2.4 眼底特征分割网络的训练 | 第27页 |
| 2.5 实验与评价 | 第27-31页 |
| 2.5.1 眼底图像血管分割 | 第28-30页 |
| 2.5.2 眼底渗出物和出血点分割 | 第30-31页 |
| 2.6 眼底特征图像的融合 | 第31-32页 |
| 2.7 本章小结 | 第32-34页 |
| 第三章 糖尿病性视网膜病变眼底图像深度分类网络的研究 | 第34-52页 |
| 3.1 图像分类方法简介 | 第34-35页 |
| 3.2 基于特征融合的双塔网络介绍 | 第35-39页 |
| 3.3 特征提取主干网络的选取 | 第39-46页 |
| 3.3.1 Inception-resnet-v2介绍与应用 | 第40-46页 |
| 3.3.2 Xception介绍与应用 | 第46页 |
| 3.4 糖尿病性视网膜病变眼底图像特征提取与分类网络的训练 | 第46-48页 |
| 3.5 实验结果分析比较 | 第48-49页 |
| 3.6 本章小结 | 第49-52页 |
| 第四章 基于加权支持向量机对眼底图像特征进行分类 | 第52-62页 |
| 4.1 支持向量机原理 | 第52-56页 |
| 4.2 遗传算法原理 | 第56-58页 |
| 4.3 遗传算法在支持向量机中的加权应用 | 第58页 |
| 4.4 实验与分析 | 第58-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第五章 基于web的糖尿病性视网膜病变分类系统 | 第62-68页 |
| 5.1 web端糖尿病性视网膜病变分类系统设计 | 第62页 |
| 5.2 糖尿病视网膜病变分类系统实现 | 第62-63页 |
| 5.2.1 自动分类系统的浏览器端的实现 | 第62-63页 |
| 5.2.2 自动分类系统服务器端的实现 | 第63页 |
| 5.3 基于web端的糖尿病性视网膜病变分类系统界面展示 | 第63-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-72页 |
| 6.1 论文总结 | 第68-69页 |
| 6.2 论文展望 | 第69-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 作者攻读学位期间发表的学术论文目录 | 第78页 |
