| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题研究背景、目的与意义 | 第10-12页 |
| 1.3 国内外研究现状 | 第12-18页 |
| 1.3.1 基于区域的图像分割方法 | 第13-15页 |
| 1.3.2 基于边缘的图像分割方法 | 第15页 |
| 1.3.3 基于形变模型的图像分割方法 | 第15-16页 |
| 1.3.4 其他图像分割方法 | 第16-18页 |
| 1.4 论文主要工作及章节安排 | 第18-20页 |
| 第2章 MR脑图像滤波 | 第20-36页 |
| 2.1 数据集及图像滤波的评价标准 | 第20-21页 |
| 2.2 常见图像滤波方法 | 第21-28页 |
| 2.2.1 中值滤波 | 第21-23页 |
| 2.2.2 高斯滤波 | 第23页 |
| 2.2.3 各向异性扩散滤波 | 第23-25页 |
| 2.2.4 实验对比与分析 | 第25-28页 |
| 2.3 扩散算子的改进 | 第28-32页 |
| 2.3.1 扩散行为及梯度阈值的选取 | 第28-29页 |
| 2.3.2 引入边缘检测算子的扩散算子 | 第29-32页 |
| 2.4 实验结果 | 第32-35页 |
| 2.4.1 算法步骤 | 第32页 |
| 2.4.2 实验对比与分析 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于传统活动轮廓模型的MR脑图像分割 | 第36-57页 |
| 3.1 水平集理论基础 | 第36-43页 |
| 3.1.1 平面曲线的演化 | 第36-37页 |
| 3.1.2 水平集方法 | 第37-39页 |
| 3.1.3 水平集函数的重新初始化 | 第39-40页 |
| 3.1.4 数值计算方法 | 第40-41页 |
| 3.1.5 变分原理与梯度下降流 | 第41-43页 |
| 3.2 经典水平集模型 | 第43-50页 |
| 3.2.1 C-V模型 | 第43-46页 |
| 3.2.2 能量惩罚项 | 第46-47页 |
| 3.2.3 唐利明模型 | 第47-48页 |
| 3.2.4 LBF模型 | 第48-50页 |
| 3.2.5 图像分割的评价标准 | 第50页 |
| 3.3 实验结果 | 第50-56页 |
| 3.3.1 算法步骤 | 第50-51页 |
| 3.3.2 实验对比与分析 | 第51-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第4章 融合全局和局部信息活动轮廓模型的MR脑图像分割 | 第57-78页 |
| 4.1 算法的思想和流程 | 第57页 |
| 4.2 融合全局灰度信息和局部灰度信息的活动轮廓模型 | 第57-67页 |
| 4.2.1 能量项 | 第58-61页 |
| 4.2.1.1 全局能量项 | 第58-59页 |
| 4.2.1.2 局部能量项 | 第59-60页 |
| 4.2.1.3 惩罚能量项 | 第60-61页 |
| 4.2.2 自适应系数 | 第61-63页 |
| 4.2.3 总能量泛函 | 第63-65页 |
| 4.2.4 模型的数值计算 | 第65-67页 |
| 4.3 实验结果 | 第67-77页 |
| 4.3.1 算法步骤 | 第67页 |
| 4.3.2 实验对比与分析 | 第67-77页 |
| 4.4 本章小结 | 第77-78页 |
| 第5章 总结与展望 | 第78-80页 |
| 5.1 全文总结 | 第78-79页 |
| 5.2 工作展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-83页 |