人体血液白细胞五分类数字图像处理系统
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-17页 |
| §1.1 本课题的研究内容及学科背景 | 第8-11页 |
| §1.1.1 课题的研究内容、目标 | 第8页 |
| §1.1.2 人体外周血液简介 | 第8-10页 |
| §1.1.3 白细胞分析与临床诊断 | 第10页 |
| §1.1.4 白细胞计数方法 | 第10-11页 |
| §1.2 国内外研究现状 | 第11-14页 |
| §1.2.1 血细胞分析仪的发展近况和展望 | 第11-13页 |
| §1.2.2 国产血细胞计数仪发展情况 | 第13-14页 |
| §1.3 细胞图像自动识别系统的总体结构 | 第14-17页 |
| §1.3.1 系统总体设计 | 第14-15页 |
| §1.3.2 软件模块及系统环境 | 第15-16页 |
| §1.3.3 关键技术和创新之处 | 第16-17页 |
| 第二章 白细胞彩色显微图像的采集和预处理 | 第17-22页 |
| §2.1 彩色细胞图像的采集 | 第17页 |
| §2.1.1 样本制作的标准化 | 第17页 |
| §2.1.2 细胞图像的获取 | 第17页 |
| §2.2 图像空间转换 | 第17-22页 |
| §2.2.1 RGB模型 | 第18页 |
| §2.2.2 HSI颜色模型 | 第18-20页 |
| §2.2.3 白细胞图像在HSI彩色空间中的特点 | 第20-22页 |
| 第三章 白细胞图像分割与检出 | 第22-26页 |
| §3.1 图像分割算法 | 第22-25页 |
| §3.1.1 常用灰度图像分割方法 | 第22页 |
| §3.1.2 大津法(Otsu法) | 第22-24页 |
| §3.1.3 基于圆直方图的改进大津域值分割法 | 第24-25页 |
| §3.2 实验结果及分析 | 第25-26页 |
| 第四章 白细胞计数与特征提取 | 第26-34页 |
| §4.1 白细胞的标记 | 第26-29页 |
| §4.1.1 像素标记算法 | 第26-27页 |
| §4.1.2 算法分析 | 第27页 |
| §4.1.3 算法存在的缺点 | 第27-29页 |
| §4.1.4 对像素点标记算法的改进 | 第29页 |
| §4.2 基于边缘跟踪的标记算法描述 | 第29-33页 |
| §4.2.1 边界跟踪 | 第30-31页 |
| §4.2.2 跟踪器 | 第31-32页 |
| §4.2.3 基于边缘跟踪的白细胞标记 | 第32-33页 |
| §4.3 白细胞及细胞核的提取 | 第33-34页 |
| 第五章 白细胞图像的特征提取 | 第34-40页 |
| §5.1 形态特征参数 | 第34-35页 |
| §5.2 光密度特征参数 | 第35-36页 |
| §5.3 纹理特征参数 | 第36-37页 |
| §5.4 实验结果 | 第37-40页 |
| 第六章 基于支持向量机的分类算法 | 第40-57页 |
| §6.1 机器学习与统计学习理论 | 第40-47页 |
| §6.1.1 机器学习问题的表示 | 第42-43页 |
| §6.1.2 风险最小化问题 | 第43-44页 |
| §6.1.3 控制学习过程的推广能力 | 第44页 |
| §6.1.4 VC维 | 第44-45页 |
| §6.1.5 复杂性与推广性 | 第45-46页 |
| §6.1.6 结构风险最小化 | 第46-47页 |
| §6.2 支持向量机 | 第47-52页 |
| §6.2.1 最优分类面 | 第47-49页 |
| §6.2.2 线性及非线性支持向量机 | 第49-52页 |
| §6.2.3 核函数 | 第52页 |
| §6.3 基于SVM分类器的实现 | 第52-54页 |
| §6.3.1 多类识别方案 | 第53-54页 |
| §6.4 图像分割及实验结果 | 第54-55页 |
| §6.4.1 SVM算法的C语言程序实现 | 第54-55页 |
| §6.4.2 实验结果 | 第55页 |
| §6.5 小结 | 第55-57页 |
| 第七章 结论与展望 | 第57-59页 |
| §7.1 主要结论 | 第57-58页 |
| §7.2 存在的问题及有待进一步开展的工作 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 附录A 运行界面图 | 第63-65页 |
| 附录B：在读期间发表的学术论文 | 第65页 |
