| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.1.1 舌象客观化的背景和意义 | 第12-13页 |
| 1.1.2 移动医疗的研究背景与意义 | 第13-14页 |
| 1.1.3 深度学习研究的背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 舌象分割研究现状 | 第15-16页 |
| 1.2.2 舌象颜色矫正研究现状 | 第16页 |
| 1.2.3 自然界的颜色矫正研究现状 | 第16-17页 |
| 1.3 本文的主要研究内容 | 第17-19页 |
| 1.4 本文的章节安排 | 第19-21页 |
| 第二章 舌诊客观化相关理论介绍 | 第21-32页 |
| 2.1 传统的舌象分割算法 | 第21-23页 |
| 2.1.1 基于阈值的舌象分割方法 | 第21-22页 |
| 2.1.2 基于边缘的舌象分割方法 | 第22页 |
| 2.1.3 基于图论的舌象分割方法 | 第22-23页 |
| 2.1.4 基于能量泛函的舌象分割方法 | 第23页 |
| 2.2 基于深度学习的舌象分割模型 | 第23-28页 |
| 2.2.1 深度学习在语义分割上的应用 | 第23-24页 |
| 2.2.2 Deepmask舌象分割模型 | 第24-26页 |
| 2.2.3 残差学习 | 第26-27页 |
| 2.2.4 残差的定义 | 第27-28页 |
| 2.3 CIE L~*a~*b~*颜色空间 | 第28-29页 |
| 2.4 RGB颜色空间转HSV颜色空间 | 第29-30页 |
| 2.5 Retinex理论 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 舌象定位与分割 | 第32-42页 |
| 3.1 舌象定位模型 | 第32-33页 |
| 3.1.1 针对的问题 | 第32页 |
| 3.1.2 手机端检测方法 | 第32-33页 |
| 3.2 舌象初始分割框架 | 第33-38页 |
| 3.2.1 舌象分割方法 | 第33-34页 |
| 3.2.2 基于深度学习的舌象分割方法 | 第34页 |
| 3.2.3 模型的网络结构 | 第34-37页 |
| 3.2.4 模型的损失函数 | 第37-38页 |
| 3.3 深度舌象分割模型的精化 | 第38-41页 |
| 3.3.1 精化模型理论依据 | 第38-39页 |
| 3.3.2 精化模型结构 | 第39-40页 |
| 3.3.3 精化模型训练 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 舌象颜色矫正 | 第42-58页 |
| 4.1 造成舌象色偏的原因 | 第42-45页 |
| 4.1.1 光源条件 | 第42-44页 |
| 4.1.2 采集设备 | 第44页 |
| 4.1.3 人为因素 | 第44-45页 |
| 4.2 数据库分析方法 | 第45-46页 |
| 4.3 基于Retinex以及灰度世界算法的舌象颜色矫正算法 | 第46-50页 |
| 4.3.1 H和S通道 | 第47-48页 |
| 4.3.2 采用Retinex算法的V通道 | 第48-50页 |
| 4.4 舌象客观化研究的应用 | 第50-56页 |
| 4.4.1 舌象分类的应用 | 第51-52页 |
| 4.4.2 阳气指数 | 第52-53页 |
| 4.4.3 舌象综合应用 | 第53-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 实验 | 第58-70页 |
| 5.1 实验环境 | 第58页 |
| 5.2 舌象分割实验结果 | 第58-61页 |
| 5.3 舌象分类实验 | 第61-63页 |
| 5.4 颜色矫正实验 | 第63-68页 |
| 5.5 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 论文的主要成果 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间研究成果 | 第75-76页 |
| 致谢 | 第76页 |