| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 论文的研究背景及意义 | 第10-11页 |
| 1.2 神经科学及神经元简介 | 第11-12页 |
| 1.3 神经元三维重建流程及国内外研究现状 | 第12-16页 |
| 1.3.1 图像预处理和胞体检测 | 第13页 |
| 1.3.2 树形结构分割 | 第13-15页 |
| 1.3.3 量化分析 | 第15-16页 |
| 1.4 论文主要的研究内容与结构安排 | 第16-18页 |
| 第2章 图像复原和去噪方法研究 | 第18-30页 |
| 2.1 图像复原方法研究 | 第18-21页 |
| 2.1.1 图像退化原因与退化模型 | 第18-19页 |
| 2.1.2 Lucy-Richardson反卷积算法 | 第19-20页 |
| 2.1.3 约束最小二乘反卷积算法 | 第20-21页 |
| 2.2 图像复原对比实验分析 | 第21-23页 |
| 2.3 图像去噪方法研究 | 第23-25页 |
| 2.3.1 非局部均值滤波 | 第23-24页 |
| 2.3.2 基于PDE的图像去噪 | 第24页 |
| 2.3.3 双边滤波 | 第24-25页 |
| 2.4 图像去噪效果比较和评价 | 第25-29页 |
| 2.4.1 噪声评价指标 | 第25-26页 |
| 2.4.2 去噪算法对比实验分析 | 第26-29页 |
| 2.5 本章小节 | 第29-30页 |
| 第3章 图像多尺度线形结构增强和各向异性滤波 | 第30-42页 |
| 3.1 多尺度线形结构增强算法原理 | 第30-33页 |
| 3.1.1 Hessian矩阵基本原理 | 第30-32页 |
| 3.1.2 线形结构相似性函数 | 第32页 |
| 3.1.3 多尺度融合 | 第32-33页 |
| 3.2 多尺度线形结构增强对比实验分析 | 第33-35页 |
| 3.3 各向异性滤波 | 第35-37页 |
| 3.3.1 Hessian矩阵特征向量与图像线形结构方向的关系 | 第35-36页 |
| 3.3.2 各向异性高斯平滑 | 第36-37页 |
| 3.3.3 各向异性均值和中值滤波 | 第37页 |
| 3.4 各向异性滤波对比实验分析 | 第37-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于连通域的二值图像线形结构分割方法 | 第42-52页 |
| 4.1 传统阈值化方法 | 第42-44页 |
| 4.1.1 Otsu阈值分割算法 | 第42-43页 |
| 4.1.2 最小误差阈值分割算法 | 第43页 |
| 4.1.3 最大熵阈值分割算法 | 第43页 |
| 4.1.4 Niblack阈值分割算法 | 第43-44页 |
| 4.1.5 梯度均值阈值分割算法 | 第44页 |
| 4.1.6 Sauvola阈值分割算法 | 第44页 |
| 4.2 传统阈值化方法对比实验分析 | 第44-46页 |
| 4.3 基于连通域的二值图像线形结构分割方法 | 第46-47页 |
| 4.4 本文算法对比实验分析 | 第47-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第5章 神经元树形结构局部追踪算法研究 | 第52-64页 |
| 5.1 基于二维的追踪 | 第52-56页 |
| 5.1.1 二维追踪算法原理 | 第52-53页 |
| 5.1.2 二维追踪算法程序设计流程 | 第53-55页 |
| 5.1.3 二维追踪算法实验结果分析 | 第55-56页 |
| 5.2 基于三维的追踪 | 第56-62页 |
| 5.2.1 三维追踪算法原理 | 第57-61页 |
| 5.2.2 三维追踪算法实验结果分析 | 第61-62页 |
| 5.3 本章小节 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-74页 |
| 致谢 | 第74页 |