| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-40页 |
| 1.1 研究的问题及意义 | 第13-18页 |
| 1.1.1 医学及应用背景 | 第13-16页 |
| 1.1.2 图像分割 | 第16-17页 |
| 1.1.3 图像超分辨 | 第17-18页 |
| 1.2 研究历史及现状 | 第18-35页 |
| 1.2.1 连续的变分能量方法 | 第19-24页 |
| 1.2.2 离散的变分能量方法 | 第24-26页 |
| 1.2.3 先验信息与正则化的构建 | 第26-30页 |
| 1.2.4 变分能量的快速优化方法 | 第30-35页 |
| 1.3 文章的结构及创新点 | 第35-40页 |
| 1.3.1 研究内容和章节安排 | 第35-37页 |
| 1.3.2 主要创新点 | 第37-40页 |
| 第二章 一个基于区域表征的自适应肝脏分割模型 | 第40-60页 |
| 2.1 引言 | 第40-42页 |
| 2.2 本文提出的模型 | 第42-48页 |
| 2.2.1 基于灰度信息的项：J_2(G) | 第43-44页 |
| 2.2.2 基于区域表征的项：J_3(C) | 第44-47页 |
| 2.2.3 自适应的混合变分模型 | 第47-48页 |
| 2.3 算法设计 | 第48-50页 |
| 2.4 实验及验证结果 | 第50-56页 |
| 2.4.1 数据集及量化度量 | 第51-52页 |
| 2.4.2 参数设置 | 第52页 |
| 2.4.3 两维分割及比较结果 | 第52-53页 |
| 2.4.4 三维分割结果的验证与比较 | 第53-56页 |
| 2.4.5 对初始化鲁棒性的研究实验 | 第56页 |
| 2.5 本章小结 | 第56-60页 |
| 第三章 一个凸的肝脏分割模型 | 第60-78页 |
| 3.1 引言 | 第60-62页 |
| 3.2 本文提出的模型 | 第62-66页 |
| 3.2.1 区域表征项 | 第62-63页 |
| 3.2.2 灰度-边界项 | 第63-64页 |
| 3.2.3 带约束的凸的变分分割模型 | 第64-66页 |
| 3.3 算法设计 | 第66-68页 |
| 3.4 数值实验 | 第68-74页 |
| 3.4.1 实验数据及模型参数设置 | 第68-70页 |
| 3.4.2 模型比较 | 第70-71页 |
| 3.4.3 定量化验证及比较 | 第71-74页 |
| 3.4.4 脾脏分割 | 第74页 |
| 3.5 本章小结 | 第74-78页 |
| 第四章 基于矩阵结构低秩的单张图像变分模型 | 第78-100页 |
| 4.1 引言 | 第78-81页 |
| 4.1.1 超分辨的数学模型 | 第78页 |
| 4.1.2 当前研究现状 | 第78-80页 |
| 4.1.3 当前方法存在的问题 | 第80-81页 |
| 4.1.4 符号定义 | 第81页 |
| 4.2 稀疏表示和低秩矩阵恢复 | 第81-83页 |
| 4.2.1 稀疏表示和字典学习 | 第81页 |
| 4.2.2 基于稀疏表示的超分辨方法(SC) | 第81-82页 |
| 4.2.3 低秩矩阵恢复 | 第82-83页 |
| 4.3 本文提出的方法 | 第83-87页 |
| 4.3.1 “粗糙”超分辨生成及测试 | 第83-84页 |
| 4.3.2 基于矩阵结构低秩的正则化方法 | 第84-87页 |
| 4.4 算法设计 | 第87-90页 |
| 4.4.1 计算误差矩阵E | 第88-89页 |
| 4.4.2 计算恢复矩阵Z | 第89-90页 |
| 4.4.3 基于结构低秩正则化的单张图像超分辨(SLR-SR) | 第90页 |
| 4.5 实验验证 | 第90-97页 |
| 4.5.1 实验设计 | 第90-92页 |
| 4.5.2 不同方法的比较结果 | 第92-94页 |
| 4.5.3 训练集大小及训练参数对重建的影响比较 | 第94-96页 |
| 4.5.4 大数据集验证 | 第96-97页 |
| 4.6 本章小结 | 第97-100页 |
| 第五章 结论与展望 | 第100-102页 |
| 5.1 论文工作总结 | 第100-101页 |
| 5.2 下一步工作展望 | 第101-102页 |
| 参考文献 | 第102-116页 |
| 发表文章目录 | 第116-118页 |
| 简历 | 第118-120页 |
| 致谢 | 第120-121页 |