婴幼儿脑MR图像偏移场去除与分割算法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景及研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本论文的研究内容和组织结构 | 第14-16页 |
| 第2章 婴幼儿脑MRI处理方法综述 | 第16-22页 |
| 2.1 MRI去偏移场方法概述 | 第16-18页 |
| 2.1.1 预处理阶段去除偏移场算法 | 第16-17页 |
| 2.1.2 结合分割算法去除偏移场 | 第17-18页 |
| 2.2 MRI分割方法概述 | 第18-20页 |
| 2.2.1 基于阈值的图像分割方法 | 第18-19页 |
| 2.2.2 基于边缘的图像分割方法 | 第19页 |
| 2.2.3 基于区域生长与分裂合并的图像分割算法 | 第19页 |
| 2.2.4 基于神经网络的分割 | 第19-20页 |
| 2.3 婴幼儿脑部MRI分割难点 | 第20-21页 |
| 2.3.1 婴幼儿脑MRI的特点 | 第20-21页 |
| 2.3.2 婴幼儿脑部MRI分割方法概述 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于粗糙集滤波的偏移场去除算法 | 第22-32页 |
| 3.1 偏移场模型 | 第22-23页 |
| 3.1.1 传统的图像模型 | 第22-23页 |
| 3.1.2 局部图像模型 | 第23页 |
| 3.2 基于HUM模型的去偏移场方法 | 第23-25页 |
| 3.3 基于粗糙集的去除偏移场算法模型 | 第25-28页 |
| 3.3.1 粗糙集理论 | 第25-27页 |
| 3.3.2 基于粗糙集的去除偏移场算法流程 | 第27-28页 |
| 3.4 实验结果和分析 | 第28-31页 |
| 3.4.1 人造偏移场实验结果 | 第28-29页 |
| 3.4.2 真实脑图像实验结果 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于粗糙集的高斯混合模型分割算法研究 | 第32-51页 |
| 4.1 基于统计的分割算法研究现状 | 第32-33页 |
| 4.2 高斯混合模型在图像分割的应用 | 第33-35页 |
| 4.2.1 高斯混合模型 | 第33-34页 |
| 4.2.2 EM算法与GMM模型参数估计 | 第34-35页 |
| 4.3 Markov随机场与Gibbs随机场理论 | 第35-39页 |
| 4.3.1 Markov随机场理论 | 第35-37页 |
| 4.3.2 MRF与Gibbs分布 | 第37-39页 |
| 4.4 基于粗糙集的高斯混合模型分割算法 | 第39-44页 |
| 4.4.1 传统高斯混合模型的改进 | 第39-41页 |
| 4.4.2 k-means算法的改进 | 第41-44页 |
| 4.4.3 基于粗糙集的高斯混合模型分割算法 | 第44页 |
| 4.5 算法处理结果及对比分析 | 第44-49页 |
| 4.5.1 图像分割效果评价标准 | 第44-46页 |
| 4.5.2 实验结果分析 | 第46-49页 |
| 4.6 本章小结 | 第49-51页 |
| 第5章 基于改进的学生t分布脑图像分割算法 | 第51-67页 |
| 5.1 聚类分割技术 | 第51-52页 |
| 5.1.1 聚类分析的基本概念 | 第51页 |
| 5.1.2 聚类算法 | 第51-52页 |
| 5.2 基于有限混合模型的聚类算法 | 第52-60页 |
| 5.2.1 空间变化有限混合模型与贝叶斯决策理论 | 第52-54页 |
| 5.2.2 图像分割中的有限t混合模型 | 第54-56页 |
| 5.2.3 梯度下降法 | 第56-60页 |
| 5.3 结合偏移场矫正的学生t分布算法 | 第60-63页 |
| 5.3.1 偏移场模型 | 第60-63页 |
| 5.3.2 算法流程 | 第63页 |
| 5.4 实验结果及分析 | 第63-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
