基于卷积神经网络的舌苔图像分割与病理分析算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 中医舌诊研究的背景及意义 | 第11-12页 |
| 1.1.2 图像分割研究的背景及意义 | 第12页 |
| 1.1.3 深度学习研究的背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 传统的图像分割研究现状 | 第12-13页 |
| 1.2.2 基于舌苔分割研究现状 | 第13-14页 |
| 1.2.3 深度学习研究现状 | 第14页 |
| 1.3 本文的主要研究内容和结构安排 | 第14-16页 |
| 第二章 舌苔分割和识别分类相关技术 | 第16-29页 |
| 2.1 常用术语和符号 | 第16页 |
| 2.2 图像分割 | 第16-19页 |
| 2.2.1 图像分割概述 | 第16-17页 |
| 2.2.2 图像分割技术常用方法 | 第17-19页 |
| 2.3 深度前馈神经网络 | 第19-22页 |
| 2.3.1 CNN的基本概述 | 第19-20页 |
| 2.3.2 CNN的基本原理 | 第20-22页 |
| 2.3.3 舌苔分割以后的识别分类概述 | 第22页 |
| 2.4 常用分类器介绍 | 第22-26页 |
| 2.4.1 支持向量机 | 第22-24页 |
| 2.4.2 Softmax | 第24-26页 |
| 2.5 FCN | 第26-28页 |
| 2.5.1 FCN的基本概述 | 第26页 |
| 2.5.2 FCN的基本原理 | 第26-27页 |
| 2.5.3 FCN的优缺点以及拓展 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于FCN的舌苔图像分割分析 | 第29-37页 |
| 3.1 数据预处理 | 第29-31页 |
| 3.1.1 数据标注 | 第29-30页 |
| 3.1.2 标注影响因素 | 第30页 |
| 3.1.3 标注结果的检查 | 第30-31页 |
| 3.1.4 数据增强 | 第31页 |
| 3.2 基于FCN的舌苔语义分割算法 | 第31-36页 |
| 3.2.1 FCN网络结构 | 第31-34页 |
| 3.2.2 全卷积网络 | 第34页 |
| 3.2.3 卷积化 | 第34页 |
| 3.2.4 上采样 | 第34-35页 |
| 3.2.5 跳跃结构 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于CNN的舌苔图像识别分类分析 | 第37-45页 |
| 4.1 常见的CNN网络概述 | 第37页 |
| 4.2 舌苔分类模型 | 第37-38页 |
| 4.3 CNN核心技术 | 第38-42页 |
| 4.3.1 卷积核 | 第38-39页 |
| 4.3.2 激活函数 | 第39-40页 |
| 4.3.3 池化过程 | 第40-41页 |
| 4.3.4 权值共享 | 第41-42页 |
| 4.4 提升模型实验效果的方法 | 第42-44页 |
| 4.4.1 并行计算 | 第42页 |
| 4.4.2 梯度消失 | 第42页 |
| 4.4.3 正则化 | 第42-43页 |
| 4.4.4 学习率和dropout | 第43页 |
| 4.4.5 交叉熵 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 实验结果和分析 | 第45-53页 |
| 5.1 实验环境概述 | 第45页 |
| 5.1.1 硬件环境基本配置 | 第45页 |
| 5.1.2 软件环境平台 | 第45页 |
| 5.2 舌苔分割和分类实验的网络结构 | 第45-46页 |
| 5.3 舌苔分割分类实验结果 | 第46-51页 |
| 5.4 实验结果分析 | 第51-52页 |
| 5.4.1 分割实验结果分析 | 第51-52页 |
| 5.4.2 分类实验结果分析 | 第52页 |
| 5.4.3 舌苔病理分析 | 第52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-54页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59页 |
