| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第13-26页 |
| 1.1 论文的研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-23页 |
| 1.2.1 细胞图像增强技术 | 第14-16页 |
| 1.2.2 细胞图像融合技术 | 第16-17页 |
| 1.2.3 细胞图像去噪技术 | 第17-19页 |
| 1.2.4 细胞图像分割技术 | 第19-20页 |
| 1.2.5 计算智能分割与识别技术 | 第20-23页 |
| 1.3 本文主要研究内容及章节安排 | 第23-26页 |
| 第2章 细胞图像的增强处理 | 第26-43页 |
| 2.1 引言 | 第26页 |
| 2.2 传统的图像增强方法 | 第26-34页 |
| 2.2.1 空间域增强方法 | 第26-32页 |
| 2.2.2 频域增强方法 | 第32-34页 |
| 2.3 基于 Retinex 的图像增强 | 第34-38页 |
| 2.3.1 随机路径算法 | 第35页 |
| 2.3.2 McCann 算法 | 第35-37页 |
| 2.3.3 中心环绕的 Retinex 增强 | 第37-38页 |
| 2.4 基于 NSCT 变换的 Retinex 增强 | 第38-41页 |
| 2.4.1 NSCT 变换 | 第39-40页 |
| 2.4.2 Retinex 增强算法的实现 | 第40-41页 |
| 2.4.3 实验仿真结果与分析 | 第41页 |
| 2.5 本章小结 | 第41-43页 |
| 第3章 基于 NSCT 变换的细胞图像融合 | 第43-58页 |
| 3.1 引言 | 第43页 |
| 3.2 图像融合方法分类 | 第43-45页 |
| 3.2.1 依据融合层次分类 | 第43-45页 |
| 3.2.2 依据融合方法分类 | 第45页 |
| 3.3 图像融合性能评价指标 | 第45-47页 |
| 3.3.1 主观评价 | 第45页 |
| 3.3.2 客观评价 | 第45-47页 |
| 3.4 基于多尺度分解的图像融合算法 | 第47-54页 |
| 3.4.1 基于金字塔变换的图像融合 | 第48-50页 |
| 3.4.2 基于小波变换的图像融合 | 第50-52页 |
| 3.4.3 基于非下采样轮廓波变换的图像融合 | 第52-54页 |
| 3.5 基于非下采样轮廓波系数直方图的融合算法 | 第54-57页 |
| 3.5.1 能量直方图 | 第54页 |
| 3.5.2 融合方法 | 第54-56页 |
| 3.5.3 仿真结果及分析 | 第56-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第4章 基于稀疏表示的细胞图像及视频去噪 | 第58-81页 |
| 4.1 引言 | 第58-61页 |
| 4.1.1 基于稀疏表示的图像复原方法国内外研究现状 | 第58-59页 |
| 4.1.2 稀疏表示理论 | 第59页 |
| 4.1.3 稀疏性的度量 | 第59-60页 |
| 4.1.4 稀疏框架下的图像去噪模型 | 第60-61页 |
| 4.2 基于 Curvelet 稀疏变换的图像复原 | 第61-64页 |
| 4.2.1 Curvelet 变换 | 第61-62页 |
| 4.2.2 Curvelet 的特点 | 第62-63页 |
| 4.2.3 基于 Curvelet 的图像复原算法 | 第63-64页 |
| 4.2.4 基于 Curvelet 的 Cycle Spinning 去噪算法 | 第64页 |
| 4.3 基于 Contourlet 的全变差图像复原算法 | 第64-67页 |
| 4.3.1 Contourlet 变换 | 第65页 |
| 4.3.2 全变差去噪理论 | 第65-66页 |
| 4.3.3 复原算法 | 第66-67页 |
| 4.4 基于 NSCT 变换的三变量模型去噪算法 | 第67-71页 |
| 4.4.1 NSCT 变换 | 第67-68页 |
| 4.4.2 基于 NSCT 域的双变量去噪模型 | 第68-69页 |
| 4.4.3 三变量去噪模型 | 第69-71页 |
| 4.5 基于 K-SVD 字典学习的图像复原算法 | 第71-73页 |
| 4.6 基于三维协同滤波的图像复原方法 | 第73-76页 |
| 4.6.1 图块匹配聚类 | 第73-74页 |
| 4.6.2 分类阈值处理方法 | 第74-75页 |
| 4.6.3 算法步骤描述 | 第75-76页 |
| 4.7 基于 Surfacelet 的视频去噪 | 第76-80页 |
| 4.7.1 Surfacelet 变换 | 第77页 |
| 4.7.2 非局部滤波 3D 方向 Context 模型 | 第77-78页 |
| 4.7.3 Context 模型下的阈值选取和参数估计 | 第78-80页 |
| 4.8 本章小结 | 第80-81页 |
| 第5章 基于多尺度分析的细胞图像分割 | 第81-105页 |
| 5.1 引言 | 第81-83页 |
| 5.1.1 图像分割的意义 | 第81页 |
| 5.1.2 细胞图像分割的意义 | 第81-82页 |
| 5.1.3 医学细胞图像分割的复杂性 | 第82页 |
| 5.1.4 多细胞图像分割的现状 | 第82-83页 |
| 5.2 小波变换 | 第83-85页 |
| 5.2.1 小波变换的优点 | 第83-84页 |
| 5.2.2 小波的定义 | 第84-85页 |
| 5.2.3 小波分析在图像处理中的应用 | 第85页 |
| 5.3 几种基于小波变换的细胞图像分割方法 | 第85-104页 |
| 5.3.1 基于直方图阈值分割技术 | 第85-91页 |
| 5.3.2 基于小波变换的模糊 C 均值聚类分割算法 | 第91-94页 |
| 5.3.3 小波多尺度参数活动轮廓模型的图像分割方法 | 第94-97页 |
| 5.3.4 基于提升 B 样条小波的 GVF 模型的分割方法 | 第97-100页 |
| 5.3.5 基于 Contourlet 域 HMT 模型与改进上下文结构的图像分割算法 | 第100-104页 |
| 5.4 本章小结 | 第104-105页 |
| 第6章 脉冲耦合神经网络细胞图像分割与识别 | 第105-122页 |
| 6.1 引言 | 第105-107页 |
| 6.1.1 传统细胞图象分割方法 | 第105-107页 |
| 6.1.2 细胞分割难点 | 第107页 |
| 6.2 脉冲耦合神经网络原理 | 第107-110页 |
| 6.2.1 脉冲耦合神经网络研究进展 | 第107-108页 |
| 6.2.2 简化 PCNN 模型 | 第108-110页 |
| 6.2.3 PCNN 在细胞图像分割中的应用 | 第110页 |
| 6.3 基于 PCNN 结合信息熵的彩色细胞图像分割识别 | 第110-121页 |
| 6.3.1 色彩空间及分量选择 | 第111-114页 |
| 6.3.2 基于简化 PCNN 模型的脉冲噪声滤波 | 第114-116页 |
| 6.3.3 交叉熵 PCNN 阈值分割 | 第116-119页 |
| 6.3.4 PCNN 识别计数 | 第119-121页 |
| 6.4 本章小结 | 第121-122页 |
| 结论 | 第122-124页 |
| 参考文献 | 第124-134页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第134-135页 |
| 致谢 | 第135-136页 |
| 个人简历 | 第136页 |
