| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 生物3D打印研究现状 | 第11-12页 |
| 1.2.2 传统医学图像分割算法研究现状 | 第12页 |
| 1.2.3 基于深度学习的医学图像分割算法研究现状 | 第12-13页 |
| 1.2.4 深度学习框架研究现状 | 第13-15页 |
| 1.3 课题来源和研究内容 | 第15-18页 |
| 1.3.1 课题来源 | 第15-16页 |
| 1.3.2 研究内容及论文安排 | 第16-18页 |
| 第2章 缺损皮肤分割算法探索 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 传统缺损皮肤分割算法 | 第18-22页 |
| 2.2.1 大津法 | 第19-20页 |
| 2.2.2 均值漂移Meanshift | 第20-21页 |
| 2.2.3 图割Grabcut | 第21-22页 |
| 2.3 DCNN | 第22-26页 |
| 2.3.1 DCNN原理 | 第22-25页 |
| 2.3.2 DCNN典型应用 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 缺损皮肤图像降噪和数据增强研究 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 图像噪声消除 | 第27-31页 |
| 3.2.1 毛发噪声消除 | 第27-28页 |
| 3.2.2 黑框噪声消除 | 第28-31页 |
| 3.3 皮肤图像数据增强 | 第31-39页 |
| 3.3.1 非扭曲变换增强法 | 第31-33页 |
| 3.3.2 仿射变换增强法 | 第33-36页 |
| 3.3.3 相似变换增强法 | 第36-37页 |
| 3.3.4 刚性变换增强法 | 第37-39页 |
| 3.4 皮肤图像归一化 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于DenseU-Net的缺损皮肤图像分割算法 | 第41-58页 |
| 4.1 引言 | 第41-42页 |
| 4.2 DenseU-Net算法框架 | 第42-43页 |
| 4.3 DenseU-Net算法解析 | 第43-49页 |
| 4.3.1 自门控激活函数 | 第44-46页 |
| 4.3.2 卷积和反卷积结构 | 第46-48页 |
| 4.3.3 稠密卷积结构 | 第48-49页 |
| 4.4 网络结构和结果的优化 | 第49-52页 |
| 4.4.1 防止过拟合 | 第49-50页 |
| 4.4.2 Pre-training二阶段训练 | 第50-51页 |
| 4.4.3 卷积核反卷积层BatchNormalization | 第51页 |
| 4.4.4 迁移学习 | 第51-52页 |
| 4.5 算法的实现与结果分析 | 第52-57页 |
| 4.5.1 主机安装TensorFlow和Keras | 第52-53页 |
| 4.5.2 DenseU-Net算法实现 | 第53-55页 |
| 4.5.3 分割结果后处理 | 第55-56页 |
| 4.5.4 最终分割结果 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 算法在导航系统上的实现与结果分析 | 第58-68页 |
| 5.1 引言 | 第58页 |
| 5.2 深度学习环境搭建 | 第58-60页 |
| 5.3 实验过程和步骤 | 第60-62页 |
| 5.4 评价指标 | 第62-63页 |
| 5.4.1 全局正确率 | 第62-63页 |
| 5.4.2 平均交叉联合度量 | 第63页 |
| 5.5 实验结果分析 | 第63-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 附录 | 第76页 |
