生物光电成像中的信息处理技术研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 引言 | 第9-11页 |
| 1．1 课题的背景及动机 | 第9-10页 |
| 1．2 研究的内容和意义 | 第10-11页 |
| 2 生物光电成像系统 | 第11-25页 |
| 2．1 生物成像技术简介 | 第12-17页 |
| 2．1．1 生物数字显微图像分析技术 | 第12-13页 |
| 2．1．2 生物体三维轮廓成像技术 | 第13-16页 |
| 2．1．3 生物体内部结构成像技术 | 第16-17页 |
| 2．2 光电成像系统组成及分析 | 第17-21页 |
| 2．2．1 光电成像系统组成 | 第17-19页 |
| 2．2．2 光电成像分析及模型 | 第19-21页 |
| 2．3 生物光电成像中的信息处理技术 | 第21-23页 |
| 2．3．1 信息处理的作用 | 第21页 |
| 2．3．2 图像增强处理 | 第21-22页 |
| 2．3．3 盲目图像解卷积 | 第22-23页 |
| 2．3．4 图像焦深信息处理 | 第23页 |
| 2．3．5 生物特征分析识别 | 第23页 |
| 2．4 小结 | 第23-25页 |
| 3 生物医学图像的自适应增强 | 第25-38页 |
| 3．1 基于平稳统计特性的图像增强 | 第25-26页 |
| 3．2 生物医学图像空变特性的自适应跟踪 | 第26-27页 |
| 3．3 二维自适应信号处理 | 第27-33页 |
| 3．1．1 MSE准则和LMS算法 | 第27-29页 |
| 3．2．2 基本的TDLMS算法 | 第29-31页 |
| 3．2．3 迭代步长的选择 | 第31-33页 |
| 3．4 生物医学图像的自适应增强处理 | 第33-36页 |
| 3．3．1 自适应图像增强系统 | 第33-35页 |
| 3．3．2 利用二维自适应算法实现图像增强 | 第35页 |
| 3．3．3 图像增强处理结果及讨论 | 第35-36页 |
| 3．5 小结 | 第36-38页 |
| 4 生物光电成像的盲目图像恢复 | 第38-63页 |
| 4．1 盲目图像恢复原理 | 第38-41页 |
| 4．1．1 普遍模型 | 第38-40页 |
| 4．1．2 问题分析 | 第40-41页 |
| 4．2 盲目图像恢复基本算法 | 第41-48页 |
| 4．2．1 模糊辨识和图像恢复过程分离的方法 | 第41-42页 |
| 4．2．2 模糊辨识和图像恢复同步估计的方法 | 第42-46页 |
| 4．2．3 频域共轭梯度新算法 | 第46-48页 |
| 4．3 频域共轭梯度算法模型 | 第48-53页 |
| 4．3．1 圆对称性的PSF | 第48-49页 |
| 4．3．2 有限支撑实信号图像 | 第49-51页 |
| 4．3．3 代价函数的建立 | 第51-53页 |
| 4．4 频域共轭梯度算法实现 | 第53-57页 |
| 4．4．1 共轭梯度搜索 | 第53-55页 |
| 4．4．2 最佳搜索步长 | 第55-56页 |
| 4．4．3 算法描述 | 第56-57页 |
| 4．5 数值仿真及分析 | 第57-61页 |
| 4．5．1 离焦模糊 | 第58-60页 |
| 4．5．2 衍射模糊 | 第60-61页 |
| 4．6 小结 | 第61-63页 |
| 5 生物显微图像的特征分析及识别 | 第63-72页 |
| 5．1 图像生物特征分析 | 第63-65页 |
| 5．1．1 图像分割 | 第63-65页 |
| 5．1．2 特征描述 | 第65页 |
| 5．2 基于神经网络的识别分类 | 第65-68页 |
| 5．2．1 BP算法的神经网络分类器 | 第66-68页 |
| 5．2．2 分类器的设计及网络训练 | 第68页 |
| 5．3 应用于药理实验的显微图像分析系统 | 第68-70页 |
| 5．3．1 系统意义 | 第68-69页 |
| 5．3．2 系统组成 | 第69页 |
| 5．3．3 图像分析及参数测定 | 第69-70页 |
| 5．3．4 实验结果 | 第70页 |
| 5．4 小结 | 第70-72页 |
| 6 结论 | 第72-74页 |
| 6．1 论文工作 | 第72-73页 |
| 6．2 不足与前景 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 附录 | 第78页 |
