| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-11页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文主要工作 | 第9-10页 |
| 1.4 论文章节安排 | 第10-11页 |
| 第2章 图像分割算法综述 | 第11-18页 |
| 2.1 传统图像分割算法概述 | 第11-12页 |
| 2.1.1 基于阈值的图像分割算法 | 第11页 |
| 2.1.2 基于边缘的图像分割算法 | 第11页 |
| 2.1.3 基于区域的图像分割算法 | 第11-12页 |
| 2.1.4 基于数学形态学的图像分割算法 | 第12页 |
| 2.1.5 基于小波变换的图像分割算法 | 第12页 |
| 2.2 基于机器学习的图像分割算法概述 | 第12-16页 |
| 2.2.1 K-means图像分割算法 | 第13页 |
| 2.2.2 马尔科夫随机场图像分割算法 | 第13-14页 |
| 2.2.3 K-近邻图像分割算法 | 第14-15页 |
| 2.2.4 支持向量机(SVM)图像分割算法 | 第15-16页 |
| 2.3 各图像分割算法的优劣 | 第16-17页 |
| 2.4 各图像分割算法在超声图像上的应用 | 第17-18页 |
| 第3章 一种基于连续图像集的SVM分割模型 | 第18-33页 |
| 3.1 医学超声图像中的连续图像集 | 第18页 |
| 3.2 传统的SVM分割模型 | 第18页 |
| 3.3 一种基于连续图像集的SVM分割模型 | 第18-20页 |
| 3.3.1 基于连续图像集的SVM分割模型的生成步骤 | 第18-19页 |
| 3.3.2 两种不同分割模型的流程比较 | 第19-20页 |
| 3.4 特征提取 | 第20-24页 |
| 3.4.1 图像的整体灰度特征提取 | 第20-23页 |
| 3.4.2 图像像素的灰度特征提取 | 第23-24页 |
| 3.4.3 特征组合 | 第24页 |
| 3.5 核函数和归一化 | 第24-25页 |
| 3.5.1 核函数 | 第24-25页 |
| 3.5.2 归一化 | 第25页 |
| 3.6 实验结果与分析 | 第25-32页 |
| 3.6.1 仿真环境 | 第25页 |
| 3.6.2 两种模型对图像集的分割结果 | 第25-29页 |
| 3.6.3 训练样本占图像集比例与平均分割准确率的关系 | 第29-32页 |
| 3.7 本章小结 | 第32-33页 |
| 第4章 基于深度学习的图像分割算法 | 第33-44页 |
| 4.1 深度学习在图像分割上的发展 | 第33页 |
| 4.2 最新的深度学习图像分割框架MaskR-CNN | 第33-38页 |
| 4.2.1 FasterR-CNN | 第34-36页 |
| 4.2.2 FCN | 第36-37页 |
| 4.2.3 MaskR-CNN的结构 | 第37-38页 |
| 4.3 一种改进的MaskR-CNN模型 | 第38-40页 |
| 4.4 实验结果与分析 | 第40-42页 |
| 4.4.1 仿真环境 | 第40-41页 |
| 4.4.2 两种不同的MaskR-CNN模型的分割结果 | 第41-42页 |
| 4.5 FCN与CNN | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第5章 结论与展望 | 第44-45页 |
| 5.1 总结 | 第44页 |
| 5.2 展望 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 附录1 攻读硕士学位期间发表的论文 | 第50-51页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第51-52页 |
| 详细摘要 | 第52-56页 |
