| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题的研究背景和研究意义 | 第11-15页 |
| 1.1.1 研究背景 | 第11-13页 |
| 1.1.2 研究意义 | 第13-15页 |
| 1.2 国内外研究现状与分析 | 第15-17页 |
| 1.2.1 皮肤镜图像预处理的现状 | 第15页 |
| 1.2.2 皮肤镜图像分割的研究现状 | 第15-16页 |
| 1.2.3 超像素分割的研究现状 | 第16-17页 |
| 1.3 论文的研究目标与研究内容 | 第17-18页 |
| 1.3.1 研究目标 | 第17-18页 |
| 1.3.2 研究内容 | 第18页 |
| 1.4 论文的结构安排 | 第18-20页 |
| 第二章 皮肤镜图像预处理和超像素分割 | 第20-34页 |
| 2.1 皮肤镜图像黑框噪声移除 | 第20-22页 |
| 2.2 皮肤镜图像毛发噪声移除 | 第22-26页 |
| 2.2.1 变换颜色空间 | 第23-24页 |
| 2.2.2 形态学闭操作 | 第24-25页 |
| 2.2.3 阈值处理 | 第25-26页 |
| 2.2.4 毛发填充 | 第26页 |
| 2.3 图像对比度增强 | 第26-27页 |
| 2.4 超像素分割算法 | 第27-32页 |
| 2.4.1 彩色空间初始化 | 第28-30页 |
| 2.4.2 SLIC算法 | 第30-32页 |
| 2.4.3 使用SLIC算法分割皮肤镜图像 | 第32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于手工特征提取的皮肤镜图像分割 | 第34-44页 |
| 3.1 超像素的特征提取 | 第34-39页 |
| 3.1.1 纹理特征 | 第35-36页 |
| 3.1.2 颜色特征 | 第36-37页 |
| 3.1.3 与背景区域的灰度差 | 第37-38页 |
| 3.1.4 超像素相邻超像素标签分布 | 第38-39页 |
| 3.2 超像素的分类 | 第39-43页 |
| 3.2.1 支持向量机SVM | 第40-42页 |
| 3.2.2 基于SVM的超像素分类 | 第42-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 基于卷积神经网络的皮肤镜图像分割 | 第44-62页 |
| 4.1 神经网络 | 第45-47页 |
| 4.1.1 单个神经元 | 第45-46页 |
| 4.1.2 深度神经网络 | 第46-47页 |
| 4.2 卷积神经网络 | 第47-56页 |
| 4.2.1 卷积神经网络的特点 | 第47-48页 |
| 4.2.2 卷积神经网络的结构 | 第48-53页 |
| 4.2.3 卷积神经网络学习算法 | 第53-56页 |
| 4.3 基于卷积神经网络的超像素分类 | 第56-61页 |
| 4.3.1 网络结构设置规律研究 | 第56-57页 |
| 4.3.2 训练样本的准备 | 第57-58页 |
| 4.3.3 卷积神经网络结构设计与分析 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 皮肤镜图像皮损边界检测后期处理 | 第62-68页 |
| 5.1 子区域合并 | 第62-65页 |
| 5.1.1 基于颜色距离的子区域合并算法 | 第62-63页 |
| 5.1.2 基于聚类的子区域合并算法 | 第63-65页 |
| 5.2 孔洞填充 | 第65-66页 |
| 5.3 孤岛移除 | 第66页 |
| 5.4 边缘平滑 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 实验结果与分析 | 第68-80页 |
| 6.1 数据集介绍 | 第68-69页 |
| 6.2 评价标准 | 第69页 |
| 6.3 Caffe框架介绍 | 第69-72页 |
| 6.3.1 Caffe框架的数据结构 | 第70-71页 |
| 6.3.2 Caffe框架网络配置 | 第71-72页 |
| 6.4 实验结果与分析 | 第72-78页 |
| 6.4.1 超像素对皮损边界检测算法影响的实验结果与分析 | 第72-73页 |
| 6.4.2 基于机器学习的皮损边界检测算法实验结果与分析 | 第73-78页 |
| 6.5 本章小结 | 第78-80页 |
| 第七章 总结与展望 | 第80-82页 |
| 7.1 论文工作总结 | 第80页 |
| 7.2 未来工作展望 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-88页 |