| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 视网膜血管分割方法研究现状 | 第9-11页 |
| 1.2.2 深度学习方法研究现状 | 第11-12页 |
| 1.2.3 视网膜血管动静脉分类方法研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 第2章 视网膜血管分割算法研究 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 基于2D Gabor小波的血管分割算法 | 第15-18页 |
| 2.3 基于深度神经网络的血管分割算法 | 第18-19页 |
| 2.4 基于B-COSFIRE滤波方法的血管分割算法 | 第19-23页 |
| 2.4.1 检测亮度变化 | 第19-21页 |
| 2.4.2 定义B-COSFIRE滤波器 | 第21-23页 |
| 2.4.3 检测棒状端点 | 第23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 基于手工特征的视网膜血管动静脉分类 | 第25-46页 |
| 3.1 引言 | 第25页 |
| 3.2 图像预处理 | 第25-27页 |
| 3.3 视网膜图像动静脉分类感兴趣区域定位 | 第27-29页 |
| 3.4 基于像素点的特征提取 | 第29-36页 |
| 3.4.1 像素点特征计算范围 | 第30-32页 |
| 3.4.2 像素点特征选择 | 第32-36页 |
| 3.5 基于像素点的动静脉分类 | 第36-43页 |
| 3.5.1 基于SVM的粗分类 | 第36-37页 |
| 3.5.2 引入血管结构信息的细分类 | 第37-43页 |
| 3.6 本章实验结果分析 | 第43-45页 |
| 3.7 本章小结 | 第45-46页 |
| 第4章 基于深度卷积网络的视网膜血管分类方法 | 第46-53页 |
| 4.1 引言 | 第46页 |
| 4.2 深度卷积网络介绍 | 第46-48页 |
| 4.3 视网膜血管动静脉分类样本准备及预处理 | 第48-49页 |
| 4.4 血管动静脉分类的深度卷积网络 | 第49-50页 |
| 4.5 全局的视网膜血管动静脉分类结果比较 | 第50-51页 |
| 4.6 本章小结 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第60-62页 |
| 致谢 | 第62页 |