基于图像处理的尿沉渣图像自动识别研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.3 本文的主要工作 | 第14-16页 |
| 2 尿沉渣图像的预处理 | 第16-20页 |
| 2.1 图像滤波 | 第16-18页 |
| 2.1.1 均值滤波 | 第16-17页 |
| 2.1.2 中值滤波 | 第17页 |
| 2.1.3 高斯滤波 | 第17-18页 |
| 2.2 图像增强 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 3 尿沉渣图像的特征提取与选择 | 第20-26页 |
| 3.1 特征提取 | 第20-23页 |
| 3.1.1 数学形态学 | 第20-21页 |
| 3.1.2 基于数学形态学的轮廓提取 | 第21-22页 |
| 3.1.3 基于轮廓的特征提取 | 第22-23页 |
| 3.2 特征选择 | 第23-25页 |
| 3.3 本章小结 | 第25-26页 |
| 4 尿沉渣图像的图像分割 | 第26-36页 |
| 4.1 传统图像分割算法 | 第26-31页 |
| 4.1.1 阈值分割 | 第26-28页 |
| 4.1.2 区域图像分割 | 第28-29页 |
| 4.1.3 边缘检测 | 第29-31页 |
| 4.2 基于OSTU与异常检测的尿沉渣图像分割 | 第31-35页 |
| 4.2.1 基于OSTU算法的图像分割 | 第31-32页 |
| 4.2.2 异常检测算法 | 第32-33页 |
| 4.2.3 基于轮廓特征的异常检测模型构建 | 第33-34页 |
| 4.2.4 实验结果分析 | 第34-35页 |
| 4.3 本章小结 | 第35-36页 |
| 5 基于机器学习的细胞分类 | 第36-52页 |
| 5.1 机器学习 | 第36-39页 |
| 5.1.1 机器学习的模型 | 第36-37页 |
| 5.1.2 机器学习的策略 | 第37-38页 |
| 5.1.3 机器学习的算法 | 第38-39页 |
| 5.2 经典机器学习算法 | 第39-44页 |
| 5.2.1 感知机 | 第39-40页 |
| 5.2.2 逻辑斯特回归 | 第40-42页 |
| 5.2.3 人工神经网络 | 第42-44页 |
| 5.3 支持向量机 | 第44-47页 |
| 5.3.1 线性支持向量机 | 第44-46页 |
| 5.3.2 非线性支持向量机 | 第46-47页 |
| 5.4 实验结果分析 | 第47-50页 |
| 5.5 本章小结 | 第50-52页 |
| 6 总结 | 第52-54页 |
| 6.1 总结与讨论 | 第52页 |
| 6.2 研究展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 作者在攻读硕士研究生期间的研究成果 | 第60页 |
