基于卷积神经网络的断层曲面提取与重建
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外相关研究现状 | 第14-15页 |
| 1.3 本文主要工作与贡献 | 第15-16页 |
| 1.4 论文结构 | 第16-17页 |
| 第二章 相关理论基础 | 第17-34页 |
| 2.1 引言 | 第17页 |
| 2.2 图像分割技术 | 第17-19页 |
| 2.2.1 图像分割概述 | 第17页 |
| 2.2.2 技术相关分类 | 第17-19页 |
| 2.3 卷积神经网络 | 第19-27页 |
| 2.3.1 卷积神经网络结构 | 第19-25页 |
| 2.3.2 卷积神经网络的训练过程 | 第25-27页 |
| 2.4 自动编码器 | 第27-28页 |
| 2.5 骨架相关提取方法 | 第28-30页 |
| 2.5.1 骨架概念 | 第28-29页 |
| 2.5.2 相关方法介绍 | 第29-30页 |
| 2.6 点云曲面重建 | 第30-33页 |
| 2.6.1 点云相关概念 | 第30-31页 |
| 2.6.2 点云曲面重建方法 | 第31-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第三章 基于卷积自编码器神经网络的断层识别 | 第34-47页 |
| 3.1 引言 | 第34-35页 |
| 3.2 基于卷积自编码器神经网络的断层识别方法 | 第35-41页 |
| 3.2.1 样本构建和卷积自编码器模型 | 第36-39页 |
| 3.2.2 无监督特征学习 | 第39-41页 |
| 3.2.3 有监督断层识别 | 第41页 |
| 3.3 仿真结果与分析 | 第41-46页 |
| 3.3.1 评价标准 | 第41-42页 |
| 3.3.2 结果与分析 | 第42-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 基于全卷积网络的断层识别 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 基于全卷积网络的断层识别方法流程 | 第47-55页 |
| 4.2.0 数据预处理 | 第48-50页 |
| 4.2.1 构建全卷积网络模型 | 第50-54页 |
| 4.2.2 模型训练 | 第54-55页 |
| 4.3 仿真结果和分析 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 断层曲面提取与重建 | 第59-68页 |
| 5.1 引言 | 第59页 |
| 5.2 断层曲面提取与重建方法流程 | 第59-66页 |
| 5.2.0 二值数据体骨架提取 | 第60-63页 |
| 5.2.1 断层曲面散点划分 | 第63-64页 |
| 5.2.2 断层点云曲面重建 | 第64-66页 |
| 5.3 仿真结果与分析 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 工作总结 | 第68-69页 |
| 6.2 工作展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间的研究成果 | 第75页 |
