| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1. 绪论 | 第9-14页 |
| 1.1 超声瞳孔直径测量的意义 | 第9页 |
| 1.2 瞳孔直径测量研究方法概述 | 第9-11页 |
| 1.3 论文研究内容及创新点 | 第11-14页 |
| 2 HOG&SVM目标识别算法研究 | 第14-24页 |
| 2.1 引言 | 第14-15页 |
| 2.2 算法介绍 | 第15-21页 |
| 2.2.1 HOG特征及特征提取 | 第15-17页 |
| 2.2.2 支持向量机(SVM) | 第17-20页 |
| 2.2.3 HOG&SVM目标识别算法 | 第20-21页 |
| 2.3 实验结果及分析 | 第21-23页 |
| 2.3.1 临床医学超声图像目标识别的结果及分析 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 Graph-Cut模型超声组织分割技术 | 第24-36页 |
| 3.1 引言 | 第24-26页 |
| 3.2 算法介绍及数值计算 | 第26-32页 |
| 3.2.1 Graph-Cut模型图像分割方法 | 第26-31页 |
| 3.2.2 能量函数数值计算 | 第31-32页 |
| 3.3 Graph-Cut算法图像分割仿真实验 | 第32-34页 |
| 3.3.1 实验准备 | 第32页 |
| 3.3.2 临床超声图像分割仿真结果及分析 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 4 Graph-Cut模型瞳孔直径自动测量方法研究 | 第36-53页 |
| 4.1 算法介绍 | 第36-44页 |
| 4.1.1 自适应加权中值滤波 | 第36-37页 |
| 4.1.2 基于HOG&SVM瞳孔的位置标定 | 第37-38页 |
| 4.1.3 自适应区域生长种子标定 | 第38-42页 |
| 4.1.4 Graph-Cut瞳孔分割 | 第42页 |
| 4.1.5 瞳孔直径自动测量 | 第42-44页 |
| 4.2 超声瞳孔直径测量体模实验 | 第44-52页 |
| 4.2.1 实验对象 | 第44-45页 |
| 4.2.2 实验设备 | 第45-46页 |
| 4.2.3 实验操作 | 第46-49页 |
| 4.2.4 实验结果及分析 | 第49-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 Graph-Cut直径测量算法的临床性能评估 | 第53-60页 |
| 5.1 实验准备 | 第53-54页 |
| 5.1.1 实验目的 | 第53页 |
| 5.1.2 实验对象 | 第53页 |
| 5.1.3 实验设备 | 第53-54页 |
| 5.2 实验操作 | 第54-56页 |
| 5.2.1 参数设置 | 第54-55页 |
| 5.2.2 实验步骤 | 第55-56页 |
| 5.3 实验结果及分析 | 第56-58页 |
| 5.3.1 实验结果定性分析 | 第56页 |
| 5.3.2 实验数据定量分析 | 第56-58页 |
| 5.4 本章小结 | 第58-60页 |
| 6 总结与展望 | 第60-63页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 作者简介 | 第68页 |