| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题的研究目的及意义 | 第8-9页 |
| 1.2 课题的研究现状 | 第9-12页 |
| 1.2.1 眼底图像血管分割方法的研究现状 | 第9-10页 |
| 1.2.2 血管管径测量方法的研究现状 | 第10-11页 |
| 1.2.3 眼底图像动静脉血管分类方法的研究现状 | 第11-12页 |
| 1.2.4 眼底图像动静脉血管交叉角度测量方法的研究现状 | 第12页 |
| 1.3 本文的研究内容及章节安排 | 第12-14页 |
| 第二章 眼底图像预处理 | 第14-26页 |
| 2.1 眼底图像颜色通道选取 | 第14-16页 |
| 2.2 形态学平滑处理 | 第16-17页 |
| 2.3 对比度受限自适应直方图均衡化 | 第17-20页 |
| 2.3.1 直方图均衡化 | 第18页 |
| 2.3.2 对比度受限自适应直方图均衡化 | 第18-20页 |
| 2.4 各向异性耦合扩散滤波 | 第20-25页 |
| 2.4.1 热传导方程 | 第20页 |
| 2.4.2 PM方程 | 第20-21页 |
| 2.4.3 各向异性耦合扩散方程 | 第21-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于Hessian矩阵多尺度增强的眼底图像血管分割 | 第26-36页 |
| 3.1 Hessian矩阵的性质 | 第27-29页 |
| 3.2 基于Hessian矩阵的多尺度滤波器构造 | 第29-30页 |
| 3.3 基于Hessian矩阵多尺度增强的眼底图像血管分割方法 | 第30-34页 |
| 3.3.1 基于Hessian矩阵的多尺度眼底图像血管增强 | 第31-32页 |
| 3.3.2 基于迭代阈值法的眼底图像二值化 | 第32-33页 |
| 3.3.3 眼底图像血管分割后处理 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于Hessian矩阵和多尺度分析的动静脉血管管径测量 | 第36-50页 |
| 4.1 眼底图像血管骨架提取 | 第36-37页 |
| 4.2 眼底图像血管骨架关键点定位 | 第37-39页 |
| 4.3 基于Hessian矩阵和多尺度分析的血管管径测量 | 第39-42页 |
| 4.4 基于广义回归神经网络(GRNN)的动静脉血管分类 | 第42-48页 |
| 4.4.1 眼底动静脉血管的区别 | 第42页 |
| 4.4.2 基于GRNN的动静脉血管分类 | 第42-47页 |
| 4.4.3 动静脉血管测量结果 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 基于K-均值聚类的眼底图像血管交叉角度测量 | 第50-54页 |
| 5.1 眼底图像血管交叉角度测量 | 第50-53页 |
| 5.1.1 K-均值聚类方法的基本思想 | 第50-51页 |
| 5.1.2 交叉角度测量方法实现 | 第51-53页 |
| 5.2 本章小结 | 第53-54页 |
| 第六章 实验结果与分析 | 第54-74页 |
| 6.1 数据库介绍 | 第54页 |
| 6.2 血管分割方法性能分析 | 第54-57页 |
| 6.3 血管管径测量方法性能分析 | 第57-66页 |
| 6.4 动静脉血管分类方法性能分析 | 第66-71页 |
| 6.5 血管交叉点角度测量方法性能分析 | 第71-72页 |
| 6.6 本章小结 | 第72-74页 |
| 第七章 总结与展望 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 发表论文和参加科研情况 | 第82-84页 |
| 致谢 | 第84页 |
