| 中文摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 引言 | 第10-11页 |
| 1.2 医学图像分割的目的与意义 | 第11-13页 |
| 1.3 基于偏微分方程的图像分割 | 第13-14页 |
| 1.4 国内外研究现状 | 第14页 |
| 1.5 本文研究内容 | 第14-16页 |
| 第2章 图像分割的主要算法综述 | 第16-29页 |
| 2.1 基于阈值的图像分割 | 第16页 |
| 2.2 基于边缘检测的图像分割 | 第16-18页 |
| 2.2.1 并行微分算子 | 第17页 |
| 2.2.2 基于曲面拟合的方法 | 第17-18页 |
| 2.2.3 串行边界查找 | 第18页 |
| 2.3 基于区域提取的图像分割 | 第18-19页 |
| 2.3.1 区域生长法 | 第18页 |
| 2.3.2 分裂合并法 | 第18-19页 |
| 2.3.3 分类器和聚类 | 第19页 |
| 2.3.4 基于随机场的方法 | 第19页 |
| 2.4 结合特定理论工具的方法 | 第19-23页 |
| 2.4.1 基于数学形态学的图像分割 | 第19-21页 |
| 2.4.2 基于模糊集理论的图像分割 | 第21-22页 |
| 2.4.3 基于人工神经网络的图像分割 | 第22-23页 |
| 2.4.4 基于小波分析和变换的分割方法 | 第23页 |
| 2.5 基于偏微分方程的图像分割 | 第23-24页 |
| 2.6 活动轮廓模型算法 | 第24-27页 |
| 2.6.1 活动轮廓模型概述 | 第25-26页 |
| 2.6.2 参数活动轮廓模型 | 第26页 |
| 2.6.3 几何活动轮廓模型的提出 | 第26-27页 |
| 2.7 本章小结 | 第27-29页 |
| 第3章 C-V模型的相关原理 | 第29-47页 |
| 3.1 水平及方法原理 | 第29-35页 |
| 3.1.1 水平集方法简介 | 第29页 |
| 3.1.2 曲线演化理论 | 第29-30页 |
| 3.1.3 基于水平集的曲线演化理论 | 第30-32页 |
| 3.1.4 水平集的数值实现 | 第32-35页 |
| 3.1.5 水平集的初始化 | 第35页 |
| 3.2 活动轮廓模型原理 | 第35-39页 |
| 3.2.1 活动轮廓模型原理概述 | 第36-38页 |
| 3.2.2 气球力模型 | 第38页 |
| 3.2.3 GVF模型原理 | 第38-39页 |
| 3.3 几何活动轮廓模型原理 | 第39-42页 |
| 3.3.1 测地活动轮廓模型 | 第39-41页 |
| 3.3.2 M-S模型原理 | 第41-42页 |
| 3.4 C-V模型算法 | 第42-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 C-V模型算法的改进 | 第47-54页 |
| 4.1 基于Otsu算法的C-V模型改进算法 | 第47-50页 |
| 4.1.1 Otsu算法 | 第47-49页 |
| 4.1.2 改进的分割算法 | 第49-50页 |
| 4.2 加入约束项的C-V模型的改进算法 | 第50-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第5章 结果与分析 | 第54-68页 |
| 5.1 传统算法结果 | 第54-56页 |
| 5.1.1 算子算法提取边缘 | 第54-55页 |
| 5.1.2 传统C-V模型边缘提取结果 | 第55-56页 |
| 5.2 基于Otsu算法的C-V模型改进算法的结果与临床应用 | 第56-61页 |
| 5.2.1 基于Otsu算法的C-V模型的结果 | 第56-58页 |
| 5.2.2 改进算法一的临床应用 | 第58-61页 |
| 5.3 加入约束项的C-V模型改进算法的结果 | 第61-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |