视网膜眼底图像的血管识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要研究内容与贡献 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-14页 |
| 第2章 机器学习及图像处理相关理论与技术 | 第14-24页 |
| 2.1 支持向量机 | 第14-17页 |
| 2.1.1 函数间隔和几何间隔 | 第14-16页 |
| 2.1.2 核函数 | 第16-17页 |
| 2.2 模糊C均值聚类 | 第17-18页 |
| 2.3 数学形态学处理 | 第18-19页 |
| 2.4 卷积神经网络 | 第19-21页 |
| 2.4.1 卷积神经网络的结构与原理 | 第19-20页 |
| 2.4.2 全卷积神经网络 | 第20-21页 |
| 2.5 本章小结 | 第21-24页 |
| 第3章 眼底数据集的预处理与模型评价指标 | 第24-32页 |
| 3.1 眼底图像数据集 | 第24-26页 |
| 3.2 数据预处理 | 第26-29页 |
| 3.2.1 眼底图像的数字表示 | 第26-27页 |
| 3.2.2 通道选择 | 第27-28页 |
| 3.2.3 图像增强 | 第28-29页 |
| 3.3 模型性能评价标准 | 第29-30页 |
| 3.4 本章小结 | 第30-32页 |
| 第4章 基于SVM的眼底图像血管识别算法 | 第32-44页 |
| 4.1 SVM初步分割血管 | 第32-35页 |
| 4.1.1 基于FCM的训练样本自动选取算法 | 第32-34页 |
| 4.1.2 提取特征向量 | 第34页 |
| 4.1.3 算法流程 | 第34-35页 |
| 4.2 眼底图像的形态学操作及阈值化处理 | 第35-37页 |
| 4.2.1 灰度取反与高帽滤波 | 第35-36页 |
| 4.2.2 阈值化 | 第36-37页 |
| 4.3 实验与结果分析 | 第37-41页 |
| 4.3.1 实验环境 | 第37-38页 |
| 4.3.2 实验设计 | 第38页 |
| 4.3.3 实验结果及分析 | 第38-41页 |
| 4.4 本章小结 | 第41-44页 |
| 第5章 基于FCN的眼底图像血管识别 | 第44-58页 |
| 5.1 基于FCN的血管分割算法 | 第44-49页 |
| 5.1.1 上采样与patchwise训练 | 第45-46页 |
| 5.1.2 FCN网络结构 | 第46-48页 |
| 5.1.3 FCN网络参数 | 第48-49页 |
| 5.2 基于双源融合FCN的血管提取 | 第49-51页 |
| 5.2.1 算子提取边缘信息 | 第50-51页 |
| 5.2.2 双源融合的FCN | 第51页 |
| 5.3 实验与结果分析 | 第51-56页 |
| 5.3.1 实验设计与实现 | 第52页 |
| 5.3.2 实验结果分析 | 第52-56页 |
| 5.4 本章小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 本文总结 | 第58页 |
| 工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 致谢 | 第66页 |
