| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 神经元简介 | 第11-12页 |
| 1.3 神经元图像分割方法研究现状 | 第12-14页 |
| 1.4 本文主要工作及内容安排 | 第14-17页 |
| 第2章 神经元图像预处理方法研究 | 第17-31页 |
| 2.1 图像增强简介 | 第17-18页 |
| 2.2 Hession矩阵滤波器 | 第18-20页 |
| 2.3 基于导数的方向可控滤波器 | 第20-29页 |
| 2.3.1 方向可控滤波器 | 第20-22页 |
| 2.3.2 构造最优滤波器 | 第22-26页 |
| 2.3.3 能量图获取 | 第26-29页 |
| 2.4 实验结果与分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于Hession矩阵的线性结构追踪算法研究 | 第31-39页 |
| 3.1 Hession矩阵在神经元图像分割中的相关问题 | 第31-33页 |
| 3.1.1 Hession矩阵在神经元图像分割中的应用 | 第31-32页 |
| 3.1.2 多尺度分析 | 第32-33页 |
| 3.2 基于Hession矩阵的神经元追踪算法 | 第33-37页 |
| 3.2.1 种子点和待追踪点提取 | 第34-36页 |
| 3.2.2 突起追踪算法 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于连通域的神经元图像分割方法研究 | 第39-57页 |
| 4.1 常见的阈值分割方法 | 第39-44页 |
| 4.1.1 最大类间方差法 | 第39-40页 |
| 4.1.2 最大熵法 | 第40-41页 |
| 4.1.3 最小误差法 | 第41页 |
| 4.1.4 简单统计法 | 第41页 |
| 4.1.5 Niblack算法 | 第41-42页 |
| 4.1.6 Bernsen算法 | 第42页 |
| 4.1.7 Sauvola算法 | 第42-43页 |
| 4.1.8 常用阈值分割方法对比实验分析 | 第43-44页 |
| 4.2 基于连通域的神经元图像分割算法 | 第44-51页 |
| 4.2.1 本文算法概述 | 第44-45页 |
| 4.2.2 算法技术难点 | 第45-50页 |
| 4.2.3 图形学后处理 | 第50-51页 |
| 4.3 突起追踪 | 第51-56页 |
| 4.3.1 连接条件 | 第53-55页 |
| 4.3.2 突起连接 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 实验结果及评价 | 第57-65页 |
| 5.1 图像分割评价方法概述 | 第57-58页 |
| 5.2 基于像素的统计方法 | 第58-59页 |
| 5.3 基于像素的神经元图像分割评价方法 | 第59页 |
| 5.4 实验结果与分析 | 第59-63页 |
| 5.5 本章小结 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-75页 |
| 致谢 | 第75页 |
