面向视网膜病变图像硬性渗出物识别的应用研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 相关医学基础理论 | 第9-11页 |
| 1.2.1 人眼 | 第9-10页 |
| 1.2.2 视网膜的生理结构与功能 | 第10-11页 |
| 1.3 糖尿病视网膜病变及病变特征 | 第11-13页 |
| 1.3.1 发病机制与发病率 | 第11-12页 |
| 1.3.2 病变分期与诊断 | 第12-13页 |
| 1.4 国内外研究现状 | 第13-14页 |
| 1.4.1 国内外眼底识别方面的研究 | 第13页 |
| 1.4.2 国内外渗出物识别的研究现状 | 第13-14页 |
| 1.5 本文主要研究内容及难点 | 第14-15页 |
| 1.6 论文结构安排 | 第15-16页 |
| 2 图像预处理 | 第16-25页 |
| 2.1 图像表示 | 第16-17页 |
| 2.2 颜色空间转换 | 第17-19页 |
| 2.3 图像去噪 | 第19-20页 |
| 2.4 基于CLAHE算法的图像增强 | 第20-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于一维最大熵分割算法的视盘分割 | 第25-28页 |
| 3.1 概述 | 第25页 |
| 3.2 一维最大熵阈值分割法 | 第25页 |
| 3.3 视盘定位 | 第25-27页 |
| 3.4 本章小结 | 第27-28页 |
| 4 硬性渗出物特征提取 | 第28-38页 |
| 4.1 特征提取方案 | 第28页 |
| 4.2 特征描绘 | 第28-36页 |
| 4.3 特征标准化 | 第36-37页 |
| 4.4 本章小结 | 第37-38页 |
| 5 硬性渗出物识别方法 | 第38-46页 |
| 5.1 贝叶斯识别算法 | 第38-42页 |
| 5.1.1 贝叶斯分类决策理论 | 第38-39页 |
| 5.1.2 极大似然估计 | 第39页 |
| 5.1.3 朴素贝叶斯分类方法 | 第39-42页 |
| 5.2 支持向量机识别算法 | 第42-44页 |
| 5.2.1 一个线性分类器的简单例子 | 第42页 |
| 5.2.2 线性可分svm | 第42-44页 |
| 5.2.3 线性不可分svm | 第44页 |
| 5.3 识别结果的评价方法 | 第44-45页 |
| 5.4 本文硬性渗出物识别思路设计 | 第45页 |
| 5.5 本章小结 | 第45-46页 |
| 6 仿真结果与分析 | 第46-56页 |
| 6.1 仿真数据来源 | 第46-48页 |
| 6.2 连续特征离散化 | 第48-49页 |
| 6.3 特征选择 | 第49-50页 |
| 6.4 仿真结果与分析 | 第50-55页 |
| 6.4.1 仿真结果 1：朴素贝叶斯识别结果 | 第50-52页 |
| 6.4.2 仿真结果 2：支持向量机识别结果 | 第52-53页 |
| 6.4.3 结果分析 | 第53-55页 |
| 6.5 本章小结 | 第55-56页 |
| 7 结论与展望 | 第56-58页 |
| 7.1 总结 | 第56-57页 |
| 7.2 进一步展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
| A. 作者在攻读硕士学位期间所参加的科研成果目录 | 第63页 |
| B. 作者在攻读学位期间取得的奖学金 | 第63页 |
