基于机器视觉的显微细胞图像有形成分自动识别研究
| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题背景及研究意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本课题主要研究内容 | 第15-17页 |
| 第二章 基于机器视觉的显微检测系统构建 | 第17-29页 |
| 2.1 显微检测系统整体方案设计 | 第17-19页 |
| 2.2 显微检测系统硬件结构设计 | 第19-25页 |
| 2.2.1 照明系统 | 第21-22页 |
| 2.2.2 显微细胞流动仪 | 第22-23页 |
| 2.2.3 CCD相机的选用 | 第23-25页 |
| 2.2.4 图像采集卡 | 第25页 |
| 2.3 显微检测系统软件结构设计 | 第25-28页 |
| 2.3.1 显微细胞图像的采集 | 第25-27页 |
| 2.3.2 显微细胞图像处理流程 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 显微细胞图像预处理与分割 | 第29-50页 |
| 3.1 典型细胞类型 | 第29-31页 |
| 3.2 显微细胞图像预处理 | 第31-33页 |
| 3.2.1 主要噪声的分类 | 第31-32页 |
| 3.2.2 图像去噪方法 | 第32-33页 |
| 3.3 显微细胞图像去噪实验 | 第33-36页 |
| 3.4 显微细胞图像分割 | 第36-43页 |
| 3.4.1 阈值分割方法 | 第36-38页 |
| 3.4.2 边缘检测分割方法 | 第38-39页 |
| 3.4.3 改进后的优化分割方法 | 第39-43页 |
| 3.5 显微细胞图像分割实验 | 第43-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 显微细胞图像特征提取与选择 | 第50-62页 |
| 4.1 显微细胞有形成分特征类型 | 第50-54页 |
| 4.2 显微细胞图像有形成分特征选择 | 第54-56页 |
| 4.3 显微细胞图像有形成分特征提取实验 | 第56-61页 |
| 4.3.1 几何形状特征提取 | 第56页 |
| 4.3.2 灰度特征提取 | 第56-57页 |
| 4.3.3 纹理特征提取 | 第57-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 显微细胞图像有形成分识别分类 | 第62-75页 |
| 5.1 支持向量机 | 第62-66页 |
| 5.1.1 支持向量机概述 | 第62页 |
| 5.1.2 支持向量机的理论基础 | 第62-66页 |
| 5.2 基于SVM的细胞有形成分分类器设计 | 第66-68页 |
| 5.2.1 SVM分类阶段 | 第66-67页 |
| 5.2.2 SVM函数选择及参数确定 | 第67-68页 |
| 5.3 基于SVM的显微细胞识别实验 | 第68-70页 |
| 5.3.1 SVM分类步骤 | 第68-69页 |
| 5.3.2 SVM识别分类结果 | 第69-70页 |
| 5.4 基于BP神经网络的细胞有形成分识别分类 | 第70-73页 |
| 5.4.1 BP神经网络简介 | 第70-71页 |
| 5.4.2 基于BP神经网络的细胞识别实验 | 第71-73页 |
| 5.5 SVM与BP神经网络分类结果对比分析 | 第73-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读学位期间本人出版或公开发表的论著、论文 | 第81-82页 |
| 致谢 | 第82-83页 |
