| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-36页 |
| 1.1 医疗图像处理的性质及其重要作用 | 第14-15页 |
| 1.2 医疗图形分割中存在的问题、现状及其发展 | 第15-16页 |
| 1.3 医学图像分割技术 | 第16-30页 |
| 1.3.1 基于区域的图像分割技术 | 第18-21页 |
| 1.3.1.1 阈值分割技术 | 第18-19页 |
| 1.3.1.2 区域生长技术和合并分裂技术 | 第19-20页 |
| 1.3.1.3 基于数学统计的技术 | 第20-21页 |
| 1.3.1.4 人工神经网络技术 | 第21页 |
| 1.3.2 基于边界的图像分割技术 | 第21-26页 |
| 1.3.2.1 串行式边缘检测 | 第22-23页 |
| 1.3.2.2 并行式边缘检测 | 第23-24页 |
| 1.3.2.3 基于图像曲面拟合的图像处理技术 | 第24-25页 |
| 1.3.2.4 基于图像边界曲线拟合的图像处理技术 | 第25页 |
| 1.3.2.5 基于扩散和反应方程的技术 | 第25页 |
| 1.3.2.6 基于形变数学模型的技术 | 第25-26页 |
| 1.3.2.7 基于区域与边界相融合的图像分割技术 | 第26页 |
| 1.3.3 几种图像分割技术 | 第26-29页 |
| 1.3.3.1 基于小波分析的图像分割技术 | 第26-27页 |
| 1.3.3.2 基于形态学的图像分割技术 | 第27页 |
| 1.3.3.3 基于模糊聚类图像分割技术 | 第27-28页 |
| 1.3.3.4 基于知识的图像分割技术 | 第28-29页 |
| 1.3.3.5 基于仿生模式识别的图像分割技术 | 第29页 |
| 1.3.4 医学图像分割质量评估 | 第29-30页 |
| 1.4 本论文研究的主要内容和目的 | 第30-31页 |
| 1.5 论文研究内容安排 | 第31-32页 |
| 1.6 本论文的研究内容和主要贡献 | 第32-33页 |
| 1.7 本章小结 | 第33-36页 |
| 第二章 MARKOV RONDOM FIELD理论及其应用 | 第36-64页 |
| 2.1 MARKOV RONDOM FIELD的图像数学模型的沿革 | 第36-37页 |
| 2.2 MARKOV随机过程 | 第37-42页 |
| 2.2.1 MARKOV随机过程 | 第37页 |
| 2.2.2 MARKOV随机变量场的领域空间 | 第37-40页 |
| 2.2.3 MARKOV随机场与Gibbs随机场的相同性 | 第40-42页 |
| 2.3 Markov随机场(MRF)的参数估计数学模型和最优化法 | 第42-48页 |
| 2.3.1 三种基本的Markov Rondom Field的参数估计数学模型 | 第43-44页 |
| 2.3.1.1 Ising摸型 | 第43页 |
| 2.3.1.2 Potts数学模型 | 第43-44页 |
| 2.3.1.3 高斯Markov数学模型 | 第44页 |
| 2.3.2 几种常用的最优化法 | 第44-48页 |
| 2.3.2.1 Gibbs采样法(GS) | 第44-45页 |
| 2.3.2.2 Metropolis法 | 第45-46页 |
| 2.3.2.3 模拟退火法(SA) | 第46-47页 |
| 2.3.2.4 条件迭代法(ICM) | 第47-48页 |
| 2.4 基于Bayes理论的Markov随机场的图像模型的构建 | 第48-52页 |
| 2.5 基于Markov Rondom Field的医学图像分割及其实验 | 第52-61页 |
| 2.5.1 图像分割前的预处理法 | 第52-55页 |
| 2.5.2 基于蒙特卡洛算法(模拟退火算法(SA)和条件迭代法(ICM))的预先处理后的图像进行比较 | 第55-57页 |
| 2.5.3 基于Markov Rondom Field的摸型对获取的脑核组织的分割 | 第57-61页 |
| 2.6 本章小结 | 第61-64页 |
| 第三章 模糊聚类理论及其在医疗图形分割领域的运用 | 第64-80页 |
| 3.1 模糊理论的现状与发展 | 第64-65页 |
| 3.2 模糊集的理论 | 第65-67页 |
| 3.3 聚类法 | 第67-72页 |
| 3.3.1 聚类分析 | 第68页 |
| 3.3.2 从模糊集X中区分出样本的C | 第68-69页 |
| 3.3.3 硬C-均值聚类法(HCM) | 第69-70页 |
| 3.3.4 模糊C-聚类法(FCM) | 第70-72页 |
| 3.4 FCM医学图像分割法的有关参数C的研究 | 第72-79页 |
| 3.4.1 聚类类别参数C的设置 | 第72-75页 |
| 3.4.2 模糊加权指数参数m的设置 | 第75-77页 |
| 3.4.3 迭代截止误差ε的设置 | 第77页 |
| 3.4.4 模糊聚类中心的设置 | 第77-79页 |
| 3.5 本章小结 | 第79-80页 |
| 第四章 基于模糊理论的医疗图形分割法及其运用 | 第80-98页 |
| 4.1 模糊C-均值聚类法(FCM)的医疗图形分割及其运用 | 第80-84页 |
| 4.1.1 基于FCM的分割法 | 第80-81页 |
| 4.1.2 医学图像分割中参数C的设置 | 第81-82页 |
| 4.1.3 实验效果与分析研究 | 第82-84页 |
| 4.2 基于领域空间图像信息约束性的FCM分割(DFCM) | 第84-90页 |
| 4.2.1 DFCM法原理及其实现过程 | 第84-86页 |
| 4.2.2 实验效果与分析研究 | 第86-90页 |
| 4.3 基于空间领域信息的二维的FCM医学图像分割(NDFCM) | 第90-93页 |
| 4.3.1 图像空间信息及其应用 | 第90-93页 |
| 4.3.1.1 一维的图像灰度级直方图 | 第90-93页 |
| 4.4 NDFCM法原理及其实现过程 | 第93-97页 |
| 4.4.1 实验效果与分析研究 | 第95-97页 |
| 4.5 本章小结 | 第97-98页 |
| 第五章 D-S理论及其应用 | 第98-114页 |
| 5.1 D-S理论在医疗图形分割中的运用及其研究 | 第98-99页 |
| 5.2 D-S证据理论简介 | 第99-105页 |
| 5.2.1 基本概念 | 第99-102页 |
| 5.2.2 多源数据融合的Dempster原则 | 第102-103页 |
| 5.2.3 基本概率取值的提取 | 第103-105页 |
| 5.2.3.1 依据C_i(j)、R_i、N、ω_i、β_i、a_i明确基本概率取值 | 第103-104页 |
| 5.2.3.2 依据模式间的近似度获取概率取值 | 第104页 |
| 5.2.3.3 基于直方图法获取概率取值 | 第104-105页 |
| 5.3 基于D-S论的模糊分割法 | 第105-109页 |
| 5.3.1 冗余图形的产生 | 第105页 |
| 5.3.2 基本概率取值的确立 | 第105-109页 |
| 5.3.3 基本概率取值的融合及其分割 | 第109页 |
| 5.4 基于Markov场、模糊理论及D-S论的医学图像融合分割 | 第109-110页 |
| 5.5 D-S证据论对图像进行更准确的分割 | 第110-112页 |
| 5.6 本章小结 | 第112-114页 |
| 第六章 全文总结及展望 | 第114-116页 |
| 6.1 全文总结 | 第114-115页 |
| 6.2 展望 | 第115-116页 |
| 致谢 | 第116-118页 |
| 参考文献 | 第118-128页 |
| 附录 (攻读硕士学位期间发表论文目录) | 第128页 |
