| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 医学图像识别的研究背景及意义 | 第10页 |
| 1.2 白内障眼底图像识别的国内外研究现状 | 第10-12页 |
| 1.3 图像处理和模式识别 | 第12-14页 |
| 1.3.1 数字图像处理 | 第12页 |
| 1.3.2 数字图像特征提取 | 第12-13页 |
| 1.3.3 数字图像的分类识别方法 | 第13-14页 |
| 1.4 深度学习 | 第14-15页 |
| 1.5 本文主要工作 | 第15-16页 |
| 1.6 本文章节安排 | 第16-17页 |
| 第二章 白内障眼底预处理研究 | 第17-23页 |
| 2.1 白内障眼底图像的彩色空间 | 第17-19页 |
| 2.1.1 RGB空间理论 | 第17-18页 |
| 2.1.2 G通道图像 | 第18-19页 |
| 2.2 图像增强 | 第19-22页 |
| 2.2.1 直方图处理 | 第19-20页 |
| 2.2.2 最大熵变换 | 第20-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 白内障眼底图像特征提取方法的研究 | 第23-39页 |
| 3.1 基于图像轮辅提取特征 | 第23-25页 |
| 3.2 基于图像血管提取特征 | 第25-28页 |
| 3.3 基于深度学习提取CNN特征 | 第28-38页 |
| 3.3.1 深度学习的概念 | 第28-35页 |
| 3.3.2 深度学习模型的结构 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 白内障眼底图像分类方法的研究 | 第39-51页 |
| 4.1 基于支持向量机对眼底图像进行分类 | 第39-43页 |
| 4.1.1 支持向量机原理 | 第39-42页 |
| 4.1.2 支持向量机的实验结果 | 第42-43页 |
| 4.2 基于集成学习分类器对眼底图像进行分类 | 第43-49页 |
| 4.2.1 随机森林分类器 | 第44-45页 |
| 4.2.2 随机森林的实验结果 | 第45-46页 |
| 4.2.3 Xgboost分类器 | 第46-48页 |
| 4.2.4 Xgboost分类器的实验结果 | 第48-49页 |
| 4.3 基于Xgboost分类器对眼底图像进行分类 | 第49页 |
| 4.4 本章小结 | 第49-51页 |
| 第五章 基于安卓的白内障分类系统设计 | 第51-59页 |
| 5.1 安卓白内障分类系统介绍 | 第51页 |
| 5.2 安卓白内障分类系统设计 | 第51-53页 |
| 5.2.1 白内障分类系统的总体架构 | 第51页 |
| 5.2.2 白内障分类系统的控件介绍 | 第51-52页 |
| 5.2.3 白内障分类系统的前后端设计 | 第52-53页 |
| 5.3 安卓端的系统功能实现 | 第53-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |