| 致谢 | 第1-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-10页 |
| 目次 | 第10-12页 |
| 图清单 | 第12-13页 |
| 附表清单 | 第13-14页 |
| 1 绪论 | 第14-21页 |
| ·研究背景及意义 | 第14-15页 |
| ·国内外研究现状 | 第15-19页 |
| ·常用血细胞图像分割方法综述 | 第17-19页 |
| ·解决问题的思路 | 第19页 |
| ·本论文主要内容 | 第19-21页 |
| 2 基于支持向量机的图像分割 | 第21-44页 |
| ·支持向量机原理 | 第22-24页 |
| ·训练数据的采集 | 第24-25页 |
| ·基于 SVM 的图像分割算法 | 第25-32页 |
| ·基于颜色的图像分割方法框架 | 第25页 |
| ·利用均值移动算法（mean-shift）寻找细胞核像素 | 第25-27页 |
| ·利用矩阵标记法标记细胞核 | 第27-29页 |
| ·膨胀细胞核区得到细胞质 | 第29页 |
| ·负样本候选区域 | 第29页 |
| ·采样策略 | 第29-31页 |
| ·SVM 训练时的参数调整问题 | 第31-32页 |
| ·实验 | 第32-43页 |
| ·利用 ROC 曲线评估算法参数变化的影响 | 第32-33页 |
| ·算法参数变化的实验分析 | 第33-37页 |
| ·采样策略的有效性 | 第37-39页 |
| ·多幅图像分割实验 | 第39-42页 |
| ·SVM 算法存在的问题 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 3 基于极端学习机的图像分割 | 第44-55页 |
| ·极端学习机原理 | 第44-46页 |
| ·基于 ELM 的图像分割 | 第46-47页 |
| ·利用分类器集成策略解决 ELM 模型的不稳定性 | 第47-50页 |
| ·实验结果 | 第50-54页 |
| ·本章小结 | 第54-55页 |
| 4 模拟注视眼动的图像分割策略 | 第55-64页 |
| ·注视眼动 | 第55-58页 |
| ·眼球的运动机理及形式 | 第55-57页 |
| ·视觉机理 | 第57-58页 |
| ·模拟注视眼动的图像分割策略 | 第58-59页 |
| ·算法设计 | 第59-60页 |
| ·实验结果 | 第60-63页 |
| ·自然图像分割示例 | 第60-61页 |
| ·白细胞分割示例 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-66页 |
| ·总结 | 第64页 |
| ·展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 作者简历 | 第69页 |