| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 前言 | 第8页 |
| 1.2 粪便镜检图像中红白细胞的分割与识别国内外的研究现状 | 第8-9页 |
| 1.3 本论文的主要内容和章节安排 | 第9-11页 |
| 1.3.1 本论文研究的主要内容 | 第9-10页 |
| 1.3.2 本论文的章节安排 | 第10-11页 |
| 第二章 粪便镜检图像的预处理 | 第11-16页 |
| 2.1 基于各向异性扩散平滑滤波的粪便镜检图像处理 | 第12-13页 |
| 2.2 基于高斯滤波的粪便镜检图像处理 | 第13-14页 |
| 2.3 灰度变换 | 第14-15页 |
| 2.4 本章小结 | 第15-16页 |
| 第三章 粪便镜检图像中有形物的分割算法 | 第16-30页 |
| 3.1 基于阈值的粪便镜检图像中有形物分割 | 第16-17页 |
| 3.2 基于边缘检测的粪便镜检图像中有形物分割 | 第17-23页 |
| 3.2.1 Roberts边缘检测算子 | 第18页 |
| 3.2.2 LOG边缘检测算子 | 第18-19页 |
| 3.2.3 多向Sobel算子 | 第19-21页 |
| 3.2.4 高低阈值自适应的Canny边缘检测 | 第21-23页 |
| 3.3 基于改进型Chan-Vese模型的粪便镜检图像中有形物分割 | 第23-27页 |
| 3.3.1 主动轮廓模型简介 | 第23页 |
| 3.3.2 基于张量的改进型Chan-Vese模型 | 第23-25页 |
| 3.3.3 基于改进型Chan-Vese模型的粪便镜检图像中有形物分割实验 | 第25-27页 |
| 3.4 基于形态学的粪便镜检图像分割后处理 | 第27-29页 |
| 3.5 本章小节 | 第29-30页 |
| 第四章 粪便镜检图像中细胞的特征提取与组合 | 第30-35页 |
| 4.1 粪便镜检图像中细胞特征 | 第30-33页 |
| 4.1.1 形状特征 | 第30页 |
| 4.1.2 统计特征 | 第30-31页 |
| 4.1.3 纹理特征 | 第31-32页 |
| 4.1.4 Haar-Like特征 | 第32-33页 |
| 4.2 细胞特征提取实验 | 第33-34页 |
| 4.3 本章小结 | 第34-35页 |
| 第五章 粪便镜检图像中红白细胞的分类方法 | 第35-43页 |
| 5.1 支持向量机分类方法 | 第35-37页 |
| 5.2 决策树分类方法 | 第37-39页 |
| 5.2.1 决策树的基本概念 | 第37-38页 |
| 5.2.2 决策树的构造 | 第38-39页 |
| 5.3 随机决策森林分类方法 | 第39-41页 |
| 5.3.1 随机决策森林的基本概念 | 第39-40页 |
| 5.3.2 特征数量和决策树棵树对随机森林性能的影响 | 第40-41页 |
| 5.3.3 特征组合对随机森林性能的影响 | 第41页 |
| 5.4 深度森林分类方法 | 第41-42页 |
| 5.5 本章小结 | 第42-43页 |
| 第六章 粪便镜检图像中红白细胞的分类识别结果与分析 | 第43-46页 |
| 6.1 细胞分类识别的实验概述 | 第43-44页 |
| 6.2 细胞分类识别的实验结果分析 | 第44-45页 |
| 6.3 本章小结 | 第45-46页 |
| 第七章 总结与展望 | 第46-48页 |
| 7.1 总结 | 第46-47页 |
| 7.2 展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 附录A 八向Sobel算子边缘处理主程序段 | 第51-54页 |
| 附录B 基于张量的Chan-Vese模型分割主程序段 | 第54-58页 |
| 个人简历在读期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59页 |
