标记点自动提取的感兴趣目标分割方法
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-14页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状及方向 | 第10-12页 |
1.3 论文工作及结构 | 第12-14页 |
第2章 相关工作 | 第14-30页 |
2.1 图像分割 | 第14-20页 |
2.1.1 概述 | 第14-15页 |
2.1.2 图像分割的常用方法 | 第15-20页 |
2.2 深度学习概述 | 第20-21页 |
2.3 卷积神经网络 | 第21-29页 |
2.3.1 概述 | 第21页 |
2.3.2 神经网络基础 | 第21-26页 |
2.3.3 卷积神经网络结构 | 第26-28页 |
2.3.4 卷积神经网络的发展 | 第28-29页 |
2.4 本章小结 | 第29-30页 |
第3章 基于全卷积神经网络的图像分割方法 | 第30-37页 |
3.1 全卷积神经网络 | 第30-31页 |
3.2 VGG-Net简介 | 第31-33页 |
3.3 全卷积神经网络的结构 | 第33-36页 |
3.3.1 卷积化 | 第33-34页 |
3.3.2 反卷积(Deconvolution) | 第34-35页 |
3.3.3 FCN-vgg16结构 | 第35-36页 |
3.3.4 FCN的优缺点 | 第36页 |
3.4 本章小结 | 第36-37页 |
第4章 标记点自动提取的边缘细化方法 | 第37-51页 |
4.1 分水岭算法原理 | 第37-38页 |
4.2 基于标记的分水岭图像分割 | 第38-39页 |
4.3 全卷积神经网络的前景近似区域提取 | 第39-41页 |
4.4 基于前景近似区域的分水岭算法 | 第41-45页 |
4.4.1 高斯滤波 | 第42-43页 |
4.4.2 canny算子边缘检测 | 第43-44页 |
4.4.3 标记点选取 | 第44-45页 |
4.5 实验结果及分析 | 第45-50页 |
4.5.1 实验工具 | 第45页 |
4.5.2 实验过程及实验结果分析 | 第45-50页 |
4.6 本章小结 | 第50-51页 |
第5章 总结与展望 | 第51-53页 |
5.1 本文工作总结 | 第51页 |
5.2 未来研究工作 | 第51-52页 |
5.3 本章小结 | 第52-53页 |
参考文献 | 第53-58页 |
作者简介及在学期间所取得的科研成果 | 第58-59页 |
致谢 | 第59页 |