| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-20页 |
| ·引言 | 第10-11页 |
| ·研究背景及意义 | 第11-13页 |
| ·视网膜血管分割方法研究现状 | 第13-16页 |
| ·视网膜血管分割研究存在的问题 | 第16页 |
| ·本文主要研究内容及章节安排 | 第16-20页 |
| 第二章 眼底视网膜图像预处理 | 第20-34页 |
| ·眼底构造 | 第20-21页 |
| ·眼底视网膜图像采集与获取 | 第21-22页 |
| ·数字图像处理基础 | 第22-25页 |
| ·数字图像介绍及其基本属性 | 第22-24页 |
| ·数字图像处理系统 | 第24-25页 |
| ·眼底视网膜图像的通道选取分析 | 第25-26页 |
| ·视网膜图像增强处理 | 第26-30页 |
| ·感兴趣区域膨胀处理 | 第30-31页 |
| ·视网膜图像视场的提取 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 视网膜图像特征提取方法研究 | 第34-44页 |
| ·生理学基础及数学模型 | 第34-38页 |
| ·生理学基础 | 第34-36页 |
| ·感受野数学模型 | 第36-37页 |
| ·COSFIRE滤波数学模型 | 第37-38页 |
| ·血管结构特征提取 | 第38-40页 |
| ·对称结构的COSFIRE滤波模型 | 第38页 |
| ·DoG滤波器模糊移位运算 | 第38-39页 |
| ·COSFIRE滤波响应 | 第39页 |
| ·非对称结构的COSFIRE滤波模型及血管末端特征结构 | 第39-40页 |
| ·特征提取实验参数设置及实验结果 | 第40-42页 |
| ·特征归一化处理 | 第42页 |
| ·本章小结 | 第42-44页 |
| 第四章 基于K近邻算法的视网膜血管分割 | 第44-52页 |
| ·机器学习的理论基础 | 第44-45页 |
| ·K近邻算法 | 第45-46页 |
| ·实验结果与分析 | 第46-51页 |
| ·实验建立 | 第46-47页 |
| ·实验结果评价指标 | 第47-48页 |
| ·K值设定 | 第48-49页 |
| ·实验结果及分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 基于贝叶斯高斯混合分类器的视网膜血管分割方法 | 第52-62页 |
| ·贝叶斯高斯混合模型分类器 | 第52-55页 |
| ·贝叶斯决策论 | 第52-53页 |
| ·高斯混合概率密度函数 | 第53-54页 |
| ·GMM参数估计-EM算法 | 第54-55页 |
| ·实验结果与分析 | 第55-59页 |
| ·高斯混合模型参数C调优 | 第55-56页 |
| ·算法分割结果 | 第56-57页 |
| ·算法性能分析 | 第57-59页 |
| ·本章小结 | 第59-62页 |
| 第六章 总结与展望 | 第62-64页 |
| ·论文的研究成果 | 第62页 |
| ·未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70页 |