摘要 | 第5-7页 |
Abstract | 第7-8页 |
第一章 绪论 | 第12-24页 |
1.1 课题研究背景及意义 | 第12-13页 |
1.2 课题研究现状 | 第13-20页 |
1.2.1 X射线透视成像图像简介 | 第13-16页 |
1.2.2 图像增强算法 | 第16-18页 |
1.2.3 目标提取算法 | 第18-20页 |
1.2.4 目标识别算法 | 第20页 |
1.3 论文研究内容及成果 | 第20-22页 |
1.4 本文章节安排 | 第22-24页 |
第二章 基于多字典与稀疏表示的血管增强算法 | 第24-42页 |
2.1 引言 | 第24页 |
2.2 字典与稀疏表示理论基础 | 第24-28页 |
2.2.1 稀疏表示理论基础 | 第24-26页 |
2.2.2 稀疏表示字典设计 | 第26-27页 |
2.2.3 正交匹配追踪算法(Orthogonal Matching Pursuit OMP) | 第27-28页 |
2.3 基于多字典与稀疏表示的血管增强算法 | 第28-31页 |
2.3.1 稀疏表示字典与增强字典生成 | 第28-29页 |
2.3.2 算法原理与步骤 | 第29-31页 |
2.4 实验结果与分析 | 第31-40页 |
2.4.1 心脏血管造影图像血管增强 | 第31-33页 |
2.4.2 视网膜血管图像血管增强 | 第33-38页 |
2.4.3 字典小块尺寸选取 | 第38-39页 |
2.4.4 字典小块筛选阈值选择 | 第39-40页 |
2.5 本章小结 | 第40-42页 |
第三章 基于稀疏表示与字典学习的血管提取算法 | 第42-62页 |
3.1 引言 | 第42页 |
3.2 字典学习方法简介 | 第42-45页 |
3.2.1 最优方向算法 | 第43-44页 |
3.2.2 K奇异值分解算法 | 第44-45页 |
3.3 基于稀疏表示与字典学习的血管提取算法 | 第45-50页 |
3.3.1 分割字典生成 | 第45-48页 |
3.3.2 算法原理与步骤 | 第48-50页 |
3.4 实验结果与分析 | 第50-60页 |
3.4.1 心脏血管造影图像血管区域提取 | 第51-53页 |
3.4.2 视网膜血管图像血管区域提取 | 第53-57页 |
3.4.3 字典小块尺寸选取 | 第57页 |
3.4.4 字典原子个数 | 第57-58页 |
3.4.5 字典学习循环次数 | 第58-59页 |
3.4.6 血管增强前后分割结果对比 | 第59-60页 |
3.5 本章小结 | 第60-62页 |
第四章 非局部活动轮廓模型目标提取算法 | 第62-78页 |
4.1 引言 | 第62页 |
4.2 活动轮廓模型分割方法简介 | 第62-64页 |
4.2.1 参数活动轮廓模型 | 第63页 |
4.2.2 几何活动轮廓模型 | 第63-64页 |
4.3 非局部活动轮廓模型目标提取算法 | 第64-67页 |
4.3.1 融合Gabor特征图 | 第64-66页 |
4.3.2 非局部活动轮廓模型 | 第66-67页 |
4.4 实验结果与分析 | 第67-76页 |
4.4.1 人工生成图像目标提取 | 第68-70页 |
4.4.2 安检仪图像目标提取 | 第70-74页 |
4.4.3 肝脏肿瘤目标区域提取 | 第74-75页 |
4.4.4 初始轮廓对提取结果的影响 | 第75-76页 |
4.5 本章小结 | 第76-78页 |
第五章 基于视觉词包和稀疏表示的安检仪图像目标识别方法 | 第78-100页 |
5.1 引言 | 第78页 |
5.2 图像特征简介 | 第78-88页 |
5.2.1 SUSAN算子 | 第79-81页 |
5.2.2 SIFT算子 | 第81-85页 |
5.2.3 SURF算子 | 第85-88页 |
5.3 基于视觉词包和稀疏表示的安检仪图像目标识别 | 第88-95页 |
5.3.1 SURF特征提取与筛选 | 第88-90页 |
5.3.2 视觉词包与识别字典生成 | 第90-93页 |
5.3.3 算法原理与步骤 | 第93-95页 |
5.4 实验结果与分析 | 第95-98页 |
5.4.1 测试数据实验结果 | 第97页 |
5.4.2 字典尺寸对识别结果的影响 | 第97-98页 |
5.5 本章小结 | 第98-100页 |
第六章 总结与展望 | 第100-104页 |
致谢 | 第104-106页 |
参考文献 | 第106-126页 |
攻读博士学位期间撰写的学术论文 | 第126页 |