| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 引言 | 第14页 |
| 1.2 课题背景及研究意义 | 第14-17页 |
| 1.2.1 课题背景 | 第14-16页 |
| 1.2.2 研究意义 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-18页 |
| 1.4 研究难点 | 第18-19页 |
| 1.5 本文各章内容安排 | 第19-21页 |
| 1.6 本章小结 | 第21-22页 |
| 第2章 视网膜图像预处理 | 第22-29页 |
| 2.1 视网膜图像背景均衡化 | 第22-24页 |
| 2.1.1 绿色通道上的图像增强 | 第22-24页 |
| 2.1.2 对比度均衡化 | 第24页 |
| 2.2 视网膜图像噪声去除 | 第24-26页 |
| 2.3 感兴趣区域(ROI)提取 | 第26-27页 |
| 2.4 实验数据库介绍 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 视网膜图像解剖结构检测 | 第29-47页 |
| 3.1 视网膜图像中的血管检测 | 第29-36页 |
| 3.1.1 背景介绍 | 第29-30页 |
| 3.1.2 基于Weber变换的视网膜图像背景均衡化 | 第30-31页 |
| 3.1.3 基于多尺度空间分析的血管像素增强方法 | 第31-34页 |
| 3.1.4 实验结果对比与分析 | 第34-36页 |
| 3.2 视网膜图像中的视神经盘检测 | 第36-42页 |
| 3.2.1 背景介绍 | 第36-37页 |
| 3.2.2 基于Sobel算子的视盘感兴趣区域提取 | 第37-38页 |
| 3.2.3 视神经盘边缘检测 | 第38-41页 |
| 3.2.4 实验结果与分析 | 第41-42页 |
| 3.3 视网膜图像中的黄斑区检测 | 第42-46页 |
| 3.3.1 背景介绍 | 第42-43页 |
| 3.3.2 基于先验知识的黄斑模糊定位 | 第43-44页 |
| 3.3.3 基于模板匹配的黄斑精确定位 | 第44-45页 |
| 3.3.4 实验结果与分析 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 视网膜图像内的微动脉瘤检测 | 第47-54页 |
| 4.1 背景介绍 | 第47页 |
| 4.2 基于多尺度高斯滤波的微动脉瘤检测 | 第47-49页 |
| 4.3 基于支持向量机的微动脉瘤分类 | 第49-52页 |
| 4.3.1 支持向量机基本原理 | 第49-51页 |
| 4.3.2 微动脉瘤特征选取 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 视网膜图像内的出血检测 | 第54-66页 |
| 5.1 背景介绍 | 第54-55页 |
| 5.2 基于多尺度线性结构的数学形态学检测方法 | 第55-60页 |
| 5.2.1 数学形态学基本理论 | 第55-57页 |
| 5.2.2 出血区域检测 | 第57-60页 |
| 5.3 基于超像素区域的灰度值投票算法 | 第60-64页 |
| 5.3.1 超像素基本理论 | 第60-62页 |
| 5.3.2 灰度值投票算法处理过程 | 第62-64页 |
| 5.4 实验结果与分析 | 第64-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 视网膜图像内的渗出检测 | 第66-75页 |
| 6.1 背景介绍 | 第66-67页 |
| 6.2 基于形态学的渗出病变粗检测 | 第67-69页 |
| 6.3 基于ANN分类器的渗出病变细检测 | 第69-73页 |
| 6.3.1 基于超像素区域的渗出特征选取 | 第69-71页 |
| 6.3.2 ANN分类器的设计与训练 | 第71-73页 |
| 6.4 实验结果与分析 | 第73-74页 |
| 6.5 本章小结 | 第74-75页 |
| 第7章 总结和展望 | 第75-77页 |
| 7.1 工作总结 | 第75-76页 |
| 7.2 研究展望 | 第76-77页 |
| 参考文献 | 第77-85页 |
| 攻读硕士学位期间主要的研究成果 | 第85-86页 |
| 致谢 | 第86页 |