白带有形成份中霉菌自动识别算法技术的研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 课题背景及研究意义 | 第12页 |
| 1.2 国内外发展现状 | 第12-14页 |
| 1.3 本文的研究内容及组织结构 | 第14-16页 |
| 第二章 白带霉菌显微图像识别医学基础 | 第16-20页 |
| 2.1 白带显微图像采集 | 第16-17页 |
| 2.2 霉菌的形态特征及临床意义 | 第17-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 图像预处理 | 第20-31页 |
| 3.1 灰度化 | 第20-22页 |
| 3.1.1 分量法灰度化 | 第21页 |
| 3.1.2 最大值法灰度化 | 第21页 |
| 3.1.3 平均值法灰度化 | 第21页 |
| 3.1.4 加权平均法灰度化 | 第21-22页 |
| 3.2 数字图像的形态学运算 | 第22-27页 |
| 3.2.1 腐蚀及其应用 | 第22-23页 |
| 3.2.2 膨胀及其应用 | 第23-25页 |
| 3.2.3 开运算和闭运算 | 第25-26页 |
| 3.2.4 顶帽运算和黑帽运算 | 第26-27页 |
| 3.3 图像分割 | 第27-29页 |
| 3.3.1 最大类间方差法 | 第27-28页 |
| 3.3.2 连通域标记 | 第28-29页 |
| 3.4 整理训练集 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 卷积神经网络 | 第31-48页 |
| 4.1 人工神经网络 | 第31-32页 |
| 4.2 深度人工神经网络传播原理 | 第32-36页 |
| 4.2.1 前向传播原理 | 第32-33页 |
| 4.2.2 前向传播算法 | 第33页 |
| 4.2.3 反向传播原理 | 第33-35页 |
| 4.2.4 反向传播算法 | 第35-36页 |
| 4.3 卷积神经网络简介 | 第36-40页 |
| 4.3.1 数据输入层 | 第37页 |
| 4.3.2 卷积层 | 第37-38页 |
| 4.3.3 激励层 | 第38-39页 |
| 4.3.4 池化层 | 第39-40页 |
| 4.3.5 全连接层 | 第40页 |
| 4.4 CNN的前向传播 | 第40-42页 |
| 4.4.1 输入层前向传播到卷积层 | 第40-41页 |
| 4.4.2 隐藏层前向传播到卷积层 | 第41页 |
| 4.4.3 隐藏层前向传播到池化层 | 第41页 |
| 4.4.4 隐藏层前向传播到全连接层 | 第41-42页 |
| 4.4.5 CNN的前向传播算法 | 第42页 |
| 4.5 CNN的反向传播 | 第42-46页 |
| 4.5.1 池化层推导上层隐含层 | 第43-44页 |
| 4.5.2 卷积层推导上层隐含层 | 第44-45页 |
| 4.5.3 推导W和b的梯度 | 第45页 |
| 4.5.4 CNN的反向传播算法 | 第45-46页 |
| 4.6 本章小结 | 第46-48页 |
| 第五章 基于方向梯度特征的霉菌识别方法 | 第48-63页 |
| 5.1 方向梯度直方图 | 第48-50页 |
| 5.1.1 图像方向梯度计算 | 第48页 |
| 5.1.2 构建梯度方向直方图 | 第48-49页 |
| 5.1.3 归一化梯度直方图 | 第49-50页 |
| 5.2 主成分分析 | 第50-54页 |
| 5.2.1 最大方差理论 | 第50页 |
| 5.2.2 最小二乘法 | 第50-53页 |
| 5.2.3 主成分信息占比 | 第53页 |
| 5.2.4 PCA算法实现 | 第53-54页 |
| 5.3 支持向量机 | 第54-60页 |
| 5.3.1 线性分类器 | 第54-56页 |
| 5.3.2 支持向量机原理 | 第56-60页 |
| 5.4 基于HOG和SVM的霉菌识别方法 | 第60-62页 |
| 5.4.1 训练算法 | 第61页 |
| 5.4.2 测试识别算法 | 第61-62页 |
| 5.5 识别结果 | 第62页 |
| 5.6 本章小结 | 第62-63页 |
| 第六章 改进的霉菌识别方法 | 第63-74页 |
| 6.1 算法设计 | 第63-69页 |
| 6.1.1 训练算法 | 第63-68页 |
| 6.1.2 测试识别算法 | 第68-69页 |
| 6.2 程序优化及加速 | 第69-72页 |
| 6.2.1 CUDA简介 | 第69-70页 |
| 6.2.2 并行设计 | 第70-71页 |
| 6.2.3 加速结果 | 第71-72页 |
| 6.3 识别结果 | 第72页 |
| 6.4 算法对比 | 第72-73页 |
| 6.5 本章小结 | 第73-74页 |
| 第七章 总结与展望 | 第74-76页 |
| 7.1 本文的主要工作 | 第74-75页 |
| 7.2 后续研究工作建议 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80页 |
