| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 引言 | 第9-10页 |
| 1.2 论文研究背景 | 第10-12页 |
| 1.3 生物荧光图像中粒子识别的挑战 | 第12页 |
| 1.4 本论文的研究内容和结构安排 | 第12-14页 |
| 第二章 图像处理的压缩感知理论 | 第14-21页 |
| 2.1 压缩感知理论综述 | 第14-15页 |
| 2.2 测量矩阵的设计条件 | 第15-16页 |
| 2.3 压缩感知恢复算法 | 第16-20页 |
| 2.3.1 基追踪算法 | 第16-17页 |
| 2.3.2 迭代阈值算法 | 第17页 |
| 2.3.3 正交匹配追踪算法 | 第17-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 荧光显微图像矩阵分解理论 | 第21-33页 |
| 3.1 矩阵分解理论综述 | 第21-22页 |
| 3.2 增广拉格朗日算法 | 第22-24页 |
| 3.3 矩阵分解理论在显微图像中实验结果 | 第24-31页 |
| 3.3.1 线粒体检测模型建立 | 第24-26页 |
| 3.3.2 实验数据及分析 | 第26-28页 |
| 3.3.3 增广拉格朗日乘子法参数选择及讨论 | 第28-30页 |
| 3.3.4 增广拉格朗日乘子法与其他图像增强算法对比 | 第30-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第四章 荧光显微图像中生物粒子识别 | 第33-51页 |
| 4.1 粒子识别算法综述 | 第33-40页 |
| 4.1.1 粒子识别步骤 | 第33-34页 |
| 4.1.2 基于多尺度非抽取小波的点识别算法 | 第34-36页 |
| 4.1.3 基于匹配滤波的点识别算法 | 第36-38页 |
| 4.1.4 基于数学形态学的点识别算法 | 第38-40页 |
| 4.2 模拟图像粒子识别结果 | 第40-45页 |
| 4.3 果蝇神经元线粒体图像识别结果 | 第45-50页 |
| 4.3.1 在增广拉格朗日乘子法处理图像中粒子识别结果 | 第45-47页 |
| 4.3.2 不同粒子增强图像识别结果对比 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间取得的研究成果 | 第59-60页 |