图像识别技术在猪蓝耳病诊断中的应用研究
| 摘要 | 第1-4页 |
| Abstract | 第4-12页 |
| 1 引言 | 第12-20页 |
| ·PRRS | 第12-13页 |
| ·PRRS简介 | 第12页 |
| ·国内外研究现状 | 第12-13页 |
| ·显微图像处理与分析技术 | 第13-14页 |
| ·传统方法 | 第13页 |
| ·图像识别技术 | 第13-14页 |
| ·研究内容与意义 | 第14-19页 |
| ·研究意义 | 第14-15页 |
| ·研究目标 | 第15页 |
| ·研究内容 | 第15-17页 |
| ·技术路线 | 第17-19页 |
| ·论文的组织 | 第19-20页 |
| 2 预处理 | 第20-32页 |
| ·HSI颜色模型 | 第20-21页 |
| ·滤波去噪 | 第21-24页 |
| ·邻域平均处理法 | 第21-22页 |
| ·低通滤波 | 第22-23页 |
| ·中值滤波 | 第23页 |
| ·双边滤波 | 第23-24页 |
| ·边缘检测 | 第24-30页 |
| ·梯度算子 | 第25页 |
| ·高斯(GAUSS)-拉普拉斯(LOG)算子 | 第25-26页 |
| ·CANNY算子 | 第26-30页 |
| ·平滑 | 第27页 |
| ·寻找梯度 | 第27-28页 |
| ·非最大抑制 | 第28-29页 |
| ·双阈值 | 第29页 |
| ·双阈值 | 第29-30页 |
| ·二值数学形态学 | 第30-31页 |
| ·基本运算 | 第30-31页 |
| ·孔洞填充 | 第31页 |
| ·小结 | 第31-32页 |
| 3 细胞分割 | 第32-47页 |
| ·图像处理中分割技术的总体概述 | 第32-34页 |
| ·图像分割的基本含义 | 第32-33页 |
| ·传统图像分割方法分类 | 第33-34页 |
| ·分水岭算法 | 第34-40页 |
| ·算法概述 | 第34页 |
| ·算法定义 | 第34-40页 |
| ·基本定义 | 第34-35页 |
| ·基子浸入的算法定义 | 第35-40页 |
| ·算法的具体实现过程 | 第40页 |
| ·基于标记和模糊C均值(FCM)的改进分水岭算法 | 第40-46页 |
| ·标记提取 | 第42-43页 |
| ·彩色图像的梯度计算 | 第43-44页 |
| ·基于标记的分水岭算法的研究 | 第44页 |
| ·过分割处理 | 第44-46页 |
| ·距离度量 | 第45-46页 |
| ·基于区域生长的区域合并方法 | 第46页 |
| ·实验结果与分析 | 第46-47页 |
| ·本章小结 | 第47页 |
| 4 特征提取及特征选择 | 第47-68页 |
| ·引言 | 第47-48页 |
| ·特征描述 | 第48-59页 |
| ·区域表示 | 第48-51页 |
| ·形状特征 | 第51-53页 |
| ·纹理特征 | 第53-57页 |
| ·颜色特征 | 第57-59页 |
| ·特征选择 | 第59-66页 |
| ·特征选择的方法分类 | 第59-61页 |
| ·特征选择的原则 | 第61页 |
| ·FILTER类—RELIEF系列算法 | 第61-63页 |
| ·主元分析法PCA | 第63-66页 |
| ·基于PCA和RELIEF的特征规约方法 | 第66-67页 |
| ·实验结果与分析 | 第67-68页 |
| ·本章小结 | 第68页 |
| 5 细胞分类器 | 第68-84页 |
| ·分类器概述 | 第68-69页 |
| ·神经网络分类器 | 第69-75页 |
| ·BP神经元 | 第70-71页 |
| ·BP算法 | 第71-74页 |
| ·确定BP网络结构 | 第74-75页 |
| ·决策树分类器 | 第75-77页 |
| ·ID3算法 | 第75-76页 |
| ·C4.5算法 | 第76-77页 |
| ·基于概率统计的BAYES分类器 | 第77-80页 |
| ·BAYES定理 | 第78页 |
| ·朴素贝叶斯分类器 | 第78-79页 |
| ·BAYESIAN信念网络 | 第79-80页 |
| ·基于SVM支持向量机的分类器 | 第80-82页 |
| ·SVM训练算法 | 第80-81页 |
| ·SVM多分类器 | 第81-82页 |
| ·K最近邻分类法 | 第82-83页 |
| ·实验结果与分析 | 第83-84页 |
| ·本章小结 | 第84页 |
| 6 分类器融合 | 第84-106页 |
| ·集成学习简介 | 第84-89页 |
| ·集成学习定义 | 第84-85页 |
| ·集成学习有效的原因和条件 | 第85-86页 |
| ·分类器的集成方法 | 第86-89页 |
| ·集成学习评价 | 第89页 |
| ·典型集成学习算法介绍及分析 | 第89-92页 |
| ·BAGGING | 第89-90页 |
| ·BOOSTING | 第90-92页 |
| ·基于聚类的样本去噪 | 第92-94页 |
| ·样本噪声 | 第93页 |
| ·基于K-MEANS的样本去噪算法 | 第93-94页 |
| ·基于随机扰动的ADABOOST-ANN算法 | 第94-95页 |
| ·基于K-MEANS++的训练集简样 | 第95-97页 |
| ·ARTHUR权值采样 | 第95-96页 |
| ·基于K-MEANS++的训练集简样 | 第96-97页 |
| ·基于加权投票的二级分类器集成算法 | 第97-99页 |
| ·实验结果与分析 | 第99-105页 |
| ·引入随机扰动的集成学习算法实验结果与分析 | 第99-100页 |
| ·样本去噪实验结果与分析 | 第100-101页 |
| ·BAGGING和ADABOOST迭代次数的选择 | 第101-102页 |
| ·二级分类器集成实验结果与分析 | 第102页 |
| ·PRRS与细胞含量水平实验结果与分析 | 第102-105页 |
| ·本章小结 | 第105-106页 |
| 7 结论与展望 | 第106-109页 |
| ·本文总结 | 第106-107页 |
| ·本文创新点 | 第107-108页 |
| ·研究展望 | 第108-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-119页 |
| 作者简介 | 第119页 |
