| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题研究的背景和意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 本文的主要研究内容及论文结构 | 第11-13页 |
| 第2章 图割算法及Grabcut算法介绍 | 第13-19页 |
| 2.1 引言 | 第13页 |
| 2.2 图割的基本理论 | 第13-15页 |
| 2.2.1 最大流-最小割定理 | 第14页 |
| 2.2.2 基于图割的图像分割流程 | 第14-15页 |
| 2.3 Grabcut算法 | 第15-18页 |
| 2.3.1 高斯混合模型 | 第15-16页 |
| 2.3.2 Grabcut算法简述 | 第16-17页 |
| 2.3.3 Grabcut算法的分析 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 结合HFT的Grabcut细胞图像分割算法 | 第19-29页 |
| 3.1 视觉显著性检测理论基础 | 第19-21页 |
| 3.1.1 显著性特征描述方法 | 第19-20页 |
| 3.1.2 显著性模型 | 第20-21页 |
| 3.2 HFT算法 | 第21-22页 |
| 3.3 本文改进的细胞图像分割算法实现步骤 | 第22-25页 |
| 3.4 实验分析 | 第25-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第4章 超像素分割算法介绍 | 第29-36页 |
| 4.1 引言 | 第29页 |
| 4.2 基于图论的超像素算法 | 第29-31页 |
| 4.2.1 Superpixel Lattices方法 | 第29-30页 |
| 4.2.2 Normalized Cuts方法 | 第30-31页 |
| 4.3 基于梯度下降的超像素算法 | 第31-33页 |
| 4.3.1 Turbopixels方法 | 第31-32页 |
| 4.3.2 SLIC方法 | 第32-33页 |
| 4.4 超像素算法对比 | 第33-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第5章 基于SLIC区域合并的宫颈细胞图像分割算法 | 第36-50页 |
| 5.1 传统SLIC算法应用分析 | 第36-37页 |
| 5.2 改进的SLIC方法 | 第37-40页 |
| 5.3 基于SLIC区域合并的宫颈细胞图像分割算法 | 第40-44页 |
| 5.3.1 区域的表征和相似度的度量 | 第40页 |
| 5.3.2 自动标记 | 第40-43页 |
| 5.3.3 合并算法流程 | 第43-44页 |
| 5.4 实验结果分析 | 第44-49页 |
| 5.4.1 实验数据及步骤 | 第44-45页 |
| 5.4.2 实验对比 | 第45-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士期间参与的项目及取得的学术成果 | 第55-56页 |
| 致谢 | 第56-57页 |
