| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 目录 | 第8-11页 |
| 图目录 | 第11-13页 |
| 表目录 | 第13-14页 |
| 第1章 绪论 | 第14-28页 |
| ·课题的研究背景 | 第14-15页 |
| ·尿沉渣分析仪的研究现状 | 第15-17页 |
| ·流式细胞术尿沉渣分析仪 | 第16页 |
| ·影像式尿沉渣分析仪 | 第16-17页 |
| ·尿沉渣图像的特点 | 第17-19页 |
| ·尿沉渣图像分析算法研究现状 | 第19-24页 |
| ·图像预处理 | 第20-21页 |
| ·图像分割 | 第21-23页 |
| ·基于灰度特征的阈值分割方法 | 第21页 |
| ·基于边缘提取的阈值分割方法 | 第21-22页 |
| ·基于边缘检测和边缘连接的分割方法 | 第22页 |
| ·基于区域的分割方法 | 第22页 |
| ·其他方法 | 第22-23页 |
| ·特征提取 | 第23页 |
| ·目标的分类识别 | 第23-24页 |
| ·课题的提出和目标 | 第24-25页 |
| ·论文结构 | 第25-28页 |
| 第2章 全自动尿沉渣分析系统的总体设计与实现 | 第28-34页 |
| ·系统的硬件组成 | 第28-29页 |
| ·系统的软件组成 | 第29-30页 |
| ·系统控制流程和资源调度 | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 尿沉渣图像预处理算法研究 | 第34-50页 |
| ·常用的图像增强方法 | 第34-40页 |
| ·直接灰度变换 | 第35-36页 |
| ·直方图处理 | 第36-37页 |
| ·直方图均衡 | 第36-37页 |
| ·直方图规定化 | 第37页 |
| ·图像间的运算 | 第37页 |
| ·空域平滑滤波器 | 第37-38页 |
| ·均值滤波器 | 第38页 |
| ·中值滤波器 | 第38页 |
| ·空间锐化滤波器 | 第38-39页 |
| ·梯度算子 | 第38-39页 |
| ·拉普拉斯运算 | 第39页 |
| ·变换域的增强算法 | 第39-40页 |
| ·图像光照不均匀的消除 | 第40-41页 |
| ·基于局部灰度均值拉伸的图像预处理算法 | 第41-42页 |
| ·实验结果与分析 | 第42-49页 |
| ·本章小结 | 第49-50页 |
| 第4章 基于主分量分析的自动聚焦算法研究 | 第50-60页 |
| ·简介 | 第50-51页 |
| ·PCA算法 | 第51-53页 |
| ·协方差矩阵的非负定性 | 第51-52页 |
| ·交换不变性 | 第52-53页 |
| ·图像清晰度评价函数 | 第53-54页 |
| ·实验结果与分析 | 第54-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 尿沉渣图像分割算法研究 | 第60-82页 |
| ·样本初筛、稀释判断以及有形成分位置确定算法 | 第60-64页 |
| ·Canny算子图像分割 | 第60-62页 |
| ·样本初筛算法 | 第62-64页 |
| ·样本稀释的判断算法 | 第64页 |
| ·有形成分位置的判断算法 | 第64页 |
| ·细胞神经网络算法 | 第64-67页 |
| ·基于形态学操作的区域后处理 | 第67-70页 |
| ·形态学处理 | 第67页 |
| ·边缘跟踪 | 第67-69页 |
| ·对侧点的提出 | 第69-70页 |
| ·实验结果与分析 | 第70-80页 |
| ·样本初筛 | 第70-71页 |
| ·基于CNN的尿沉渣图像分割 | 第71-72页 |
| ·基于形态学操作的区域后处理 | 第72-78页 |
| ·低倍镜图像的分割 | 第78-80页 |
| ·本章小结 | 第80-82页 |
| 第6章 尿沉渣图像特征提取方法的研究 | 第82-98页 |
| ·特征提取算法 | 第83-89页 |
| ·形态特征 | 第83-85页 |
| ·统计特征 | 第85-87页 |
| ·纹理特征 | 第87-89页 |
| ·灰度共生矩阵 | 第87-88页 |
| ·局部差分序列 | 第88-89页 |
| ·尿沉渣有形成分特征提取实验和分析 | 第89-95页 |
| ·本章小结 | 第95-98页 |
| 第7章 基于多分类器融合的尿沉渣有形成分分类算法 | 第98-120页 |
| ·人工神经网络 | 第99-103页 |
| ·神经元模型 | 第99-101页 |
| ·BP学习算法 | 第101-102页 |
| ·基于多BP神经网络融合的尿液有形成分分类 | 第102-103页 |
| ·支持向量机 | 第103-111页 |
| ·机器学习基础 | 第103-104页 |
| ·统计学习理论 | 第104-106页 |
| ·VC(Vapnik-Chervonenkis)维 | 第105页 |
| ·学习机器推广性的界 | 第105-106页 |
| ·结构风险最小化 | 第106页 |
| ·支持向量机 | 第106-111页 |
| ·线性可分情况 | 第106-108页 |
| ·线性不可分情况 | 第108-109页 |
| ·支持向量机 | 第109-110页 |
| ·核函数 | 第110-111页 |
| ·多分类的支持向量机 | 第111页 |
| ·1-v-r分类器 | 第111页 |
| ·1-v-1分类器 | 第111页 |
| ·多分类器融合 | 第111-113页 |
| ·实验结果与分析 | 第113-118页 |
| ·高倍镜样本的初筛 | 第113-114页 |
| ·基于支持向量机的分类结果 | 第114-115页 |
| ·基于多BP神经网络融合的尿液有形成分分类 | 第115-117页 |
| ·低倍镜下有形成分的分类识别 | 第117-118页 |
| ·本章小结 | 第118-120页 |
| 第8章 总结与展望 | 第120-124页 |
| 参考文献 | 第124-132页 |
| 攻读学位期间的学术成果 | 第132-134页 |
| 发表的论文 | 第132页 |
| 参与的科研项目 | 第132-134页 |
| 致谢 | 第134-135页 |