| 摘要 | 第11-13页 |
| ABSTRACT | 第13-15页 |
| 第一章 绪论 | 第16-41页 |
| 1.1 研究背景 | 第16-19页 |
| 1.1.1 宫颈细胞分析的必要性 | 第17页 |
| 1.1.2 宫颈细胞分析技术难点 | 第17-18页 |
| 1.1.3 宫颈细胞分析研究热度 | 第18-19页 |
| 1.2 研究现状 | 第19-37页 |
| 1.2.1 宫颈细胞图像智能分析过程 | 第19-21页 |
| 1.2.2 宫颈细胞图像获取 | 第21-22页 |
| 1.2.3 宫颈细胞图像滤波和分割 | 第22-30页 |
| 1.2.4 宫颈细胞的基本特征 | 第30-32页 |
| 1.2.5 细胞图像特征提取和特征选择融合 | 第32-35页 |
| 1.2.6 宫颈细胞分类 | 第35-36页 |
| 1.2.7 性能评估指标 | 第36页 |
| 1.2.8 研究现状总结 | 第36-37页 |
| 1.3 研究内容 | 第37-38页 |
| 1.3.1 宫颈细胞图像分割研究 | 第37-38页 |
| 1.3.2 特征提取和特征选择融合研究 | 第38页 |
| 1.3.3 宫颈细胞图像分类研究 | 第38页 |
| 1.4 篇章结构 | 第38-41页 |
| 第二章 基于超像素Gap-search MRF模型的非重叠宫颈细胞图像分割 | 第41-62页 |
| 2.1 引言 | 第41-43页 |
| 2.2 模型整体分割流程 | 第43页 |
| 2.3 图像预处理和SLIC超像素过分割算法 | 第43-47页 |
| 2.3.1 基于非局部均值滤波的预处理 | 第43-45页 |
| 2.3.2 SLIC超像素过分割算法 | 第45-47页 |
| 2.4 超像素Gap-search MRF模型 | 第47-52页 |
| 2.4.1 经典MRF模型的相关概念和形式定义 | 第47-50页 |
| 2.4.2 Gap-search MRF模型的基本思想 | 第50-52页 |
| 2.4.3 超像素的特征 | 第52页 |
| 2.5 模型求解算法及复杂性分析 | 第52-56页 |
| 2.5.1 ICM算法 | 第54页 |
| 2.5.2 IACA算法 | 第54-55页 |
| 2.5.3 Gap-search加速机制 | 第55-56页 |
| 2.5.4 计算复杂性分析 | 第56页 |
| 2.6 实验结果与分析 | 第56-60页 |
| 2.6.1 数据集和实验环境 | 第56-57页 |
| 2.6.2 分割准确度评价指标 | 第57-58页 |
| 2.6.3 分割结果轮廓可视化方法 | 第58页 |
| 2.6.4 分割效果对比 | 第58-59页 |
| 2.6.5 分割时间对比 | 第59-60页 |
| 2.7 本章小结 | 第60-62页 |
| 第三章 基于无监督学习算法的重叠宫颈细胞图像分割 | 第62-78页 |
| 3.1 引言 | 第62-64页 |
| 3.2 “部分重叠”宫颈细胞图像分割模型 | 第64-68页 |
| 3.2.1 模型的基本思想 | 第64-65页 |
| 3.2.2 超像素K-means++改进分割模型 | 第65-66页 |
| 3.2.3 提取细胞质、细胞核和区域背景 | 第66-67页 |
| 3.2.4 “部分重叠”细胞图像整体分割流程 | 第67-68页 |
| 3.3 “真实重叠”宫颈细胞图像分割模型 | 第68-72页 |
| 3.3.1 模型的基本思想 | 第68页 |
| 3.3.2 基于图割的场景分割 | 第68-70页 |
| 3.3.3 基于维诺图的粗分割 | 第70-71页 |
| 3.3.4 重叠区补偿 | 第71页 |
| 3.3.5 “真实重叠”细胞图像整体分割流程 | 第71-72页 |
| 3.4 实验结果与分析 | 第72-77页 |
| 3.4.1 数据集和实验环境 | 第72-73页 |
| 3.4.2 评价指标 | 第73页 |
| 3.4.3 “部分重叠”宫颈细胞图像分割结果与分析 | 第73-74页 |
| 3.4.4 “真实重叠”宫颈细胞图像分割结果与分析 | 第74-76页 |
| 3.4.5 两种分割模型的比较与分析 | 第76-77页 |
| 3.5 本章小结 | 第77-78页 |
| 第四章 基于间隔的自适应特征选择融合方法 | 第78-92页 |
| 4.1 引言 | 第78-79页 |
| 4.2 宫颈细胞图像特征提取方法 | 第79-84页 |
| 4.2.1 宫颈细胞图像的颜色特征 | 第80页 |
| 4.2.2 宫颈细胞的形状特征 | 第80-83页 |
| 4.2.3 宫颈细胞图像的核纹理特征 | 第83-84页 |
| 4.3 基于间隔的自适应特征选择融合的形式化和算法 | 第84-88页 |
| 4.3.1 基于间隔特征选择融合的形式化和求解算法 | 第85-87页 |
| 4.3.2 基于间隔特征选择融合的自适应处理机制 | 第87-88页 |
| 4.4 实验结果与分析 | 第88-90页 |
| 4.4.1 数据集和实验环境 | 第88页 |
| 4.4.2 评价指标 | 第88-89页 |
| 4.4.3 实验过程和结果评估 | 第89-90页 |
| 4.5 本章小结 | 第90-92页 |
| 第五章 两种宫颈细胞图像异常检测模型 | 第92-113页 |
| 5.1 引言 | 第93-95页 |
| 5.1.1 特征提取 | 第93-94页 |
| 5.1.2 特征选择融合 | 第94页 |
| 5.1.3 分类策略 | 第94-95页 |
| 5.2 基于Three-phase的异常检测模型 | 第95-98页 |
| 5.2.1 Three-phase模型的基本思路 | 第95-96页 |
| 5.2.2 Two-stage分类策略 | 第96-97页 |
| 5.2.3 Three-phase异常检测的整体流程 | 第97-98页 |
| 5.3 基于MI-ELM的异常检测模型 | 第98-105页 |
| 5.3.1 MI-ELM检测模型的基本思路 | 第98-99页 |
| 5.3.2 ELM模型和学习算法 | 第99-101页 |
| 5.3.3 MI-ELM检测模型和学习算法 | 第101-103页 |
| 5.3.4 MI-ELM的学习算法 | 第103-104页 |
| 5.3.5 多示例学习异常检测框架流程 | 第104-105页 |
| 5.4 实验结果与分析 | 第105-112页 |
| 5.4.1 数据集和实验环境 | 第105页 |
| 5.4.2 评价指标 | 第105页 |
| 5.4.3 Three-phase模型实验设计与结果分析 | 第105-110页 |
| 5.4.4 MI-ELM模型的实验结果和分析 | 第110页 |
| 5.4.5 两种模型的比较与分析 | 第110-112页 |
| 5.5 本章小结 | 第112-113页 |
| 第六章 基于PCA特征变换和层次多分类的宫颈细胞图像快速识别 | 第113-122页 |
| 6.1 引言 | 第113-114页 |
| 6.2 基于PCA的层次多分类 | 第114-116页 |
| 6.2.1 基于一对一策略的层次多分类 | 第114-116页 |
| 6.2.2 基于主成分分析的特征变换 | 第116页 |
| 6.3 多分类快速识别算法 | 第116-117页 |
| 6.3.1 特征归一化 | 第116页 |
| 6.3.2 本章识别算法的描述 | 第116-117页 |
| 6.4 实验结果与分析 | 第117-121页 |
| 6.4.1 数据集和实验环境 | 第117页 |
| 6.4.2 评价指标 | 第117页 |
| 6.4.3 特征集合 | 第117-118页 |
| 6.4.4 主成分数目选取 | 第118页 |
| 6.4.5 分类结果与分析 | 第118-121页 |
| 6.5 本章小结 | 第121-122页 |
| 第七章 总结与展望 | 第122-126页 |
| 7.1 本文主要工作和总结 | 第122-124页 |
| 7.2 下一步工作展望 | 第124-126页 |
| 致谢 | 第126-128页 |
| 参考文献 | 第128-146页 |
| 作者在学期间取得的学术成果 | 第146-148页 |
| 附录A 缩略语列表 | 第148-150页 |
