| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本文的章节安排 | 第13-15页 |
| 2 相关基本理论知识 | 第15-33页 |
| 2.1 图像处理基础知识 | 第15-26页 |
| 2.1.1 自适应中值滤波器(AMF) | 第15-20页 |
| 2.1.2 基于倒数加权算法的中值滤波器 | 第20-24页 |
| 2.1.3 AMF滤波器和IWMF滤波器性能比较 | 第24-25页 |
| 2.1.4 高斯滤波器 | 第25-26页 |
| 2.2 典活动轮廓模型 | 第26-33页 |
| 2.2.1 水平集方法 | 第26-27页 |
| 2.2.2 Snake模型 | 第27-28页 |
| 2.2.3 MS模型 | 第28-29页 |
| 2.2.4 CV模型 | 第29-33页 |
| 3 基于图像局部信息的CV模型 | 第33-56页 |
| 3.1 原始CV模型提取图像边缘的抗噪声能力 | 第34-37页 |
| 3.2 结合自适应滤波的CV边缘提取 | 第37-41页 |
| 3.3 鲁棒CV模型对图像边缘提取的结果及分析(MCV-GCV) | 第41-48页 |
| 3.3.1 结合自适应中值滤波AMF和IWMF的CV模型(MCV) | 第41-42页 |
| 3.3.2 MCV模型对图像边缘的提取结果及分析 | 第42-44页 |
| 3.3.3 结合自适应高斯滤波的CV模型(GCV) | 第44-46页 |
| 3.3.4 GCV模型对图像边缘的提取结果及分析 | 第46-48页 |
| 3.4 结合鲁棒统计算法的CV模型分割方法 | 第48-56页 |
| 3.4.1 鲁棒统计算法 | 第48页 |
| 3.4.2 鲁棒统计算法效果图 | 第48-52页 |
| 3.4.3 结合鲁棒统计算法的改进CV模型(SCV) | 第52-53页 |
| 3.4.4 SCV模型对图像边缘的提取结果及分析 | 第53-56页 |
| 4 用于工业CT体数据检测的改进3DCV模型 | 第56-92页 |
| 4.1 3D CV模型 | 第56-57页 |
| 4.2 原始3D CV模型提取图像边缘的抗噪声能力 | 第57-61页 |
| 4.3 结合自适应滤波的3D CV边缘提取方法(3D MCV) | 第61-68页 |
| 4.4 鲁棒CV模型对图像边缘提取的结果及分析(3D MCV-3D GCV) | 第68-80页 |
| 4.4.1 结合自适应中值滤波的3D CV模型(3D MCV) | 第68-71页 |
| 4.4.2 3D MCV模型对图像边缘的提取结果及分析 | 第71-75页 |
| 4.4.3 结合自适应高斯滤波的3D CV模型(3D GCV) | 第75-77页 |
| 4.4.4 3D GCV模型对图像边缘的提取结果及分析 | 第77-80页 |
| 4.5 结合鲁棒统计算法的3D CV模型(3D SCV) | 第80-87页 |
| 4.5.1 3D鲁棒统计算法 | 第80-81页 |
| 4.5.2 结合3D鲁棒统计算法的改进3D CV模型 | 第81-82页 |
| 4.5.3 3D SCV模型对图像边缘的提取结果及分析 | 第82-87页 |
| 4.6 几种算法的综合分析与比较 | 第87-92页 |
| 5 总结与展望 | 第92-95页 |
| 5.1 工作总结 | 第92-93页 |
| 5.2 工作展望 | 第93-95页 |
| 参考文献 | 第95-99页 |
| 攻读硕士学位期间发表学术论文情况 | 第99-100页 |
| 致谢 | 第100-101页 |
