| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-14页 |
| 图表索引 | 第14-16页 |
| 第一章 绪论 | 第16-27页 |
| ·引言 | 第16页 |
| ·课题研究背景与意义 | 第16-17页 |
| ·尿沉渣检测方法 | 第16-17页 |
| ·尿沉渣自动分析仪研制的意义 | 第17页 |
| ·国内外发展状况 | 第17-19页 |
| ·尿沉渣检查的发展 | 第17-18页 |
| ·尿沉渣分析仪的发展状况 | 第18-19页 |
| ·课题的提出及工作目标 | 第19-20页 |
| ·课题的提出 | 第19-20页 |
| ·课题的目标 | 第20页 |
| ·主要研究内容和章节安排 | 第20-24页 |
| ·主要研究内容 | 第20-23页 |
| ·分水岭算法 | 第22页 |
| ·水平集算法 | 第22-23页 |
| ·径向基函数神经网络 | 第23页 |
| ·支持向量机 | 第23页 |
| ·章节安排 | 第23-24页 |
| 本章小结 | 第24页 |
| 参考文献 | 第24-27页 |
| 第二章 尿沉渣图像的获取及其特征 | 第27-38页 |
| ·尿沉渣涂片的制备 | 第27页 |
| ·尿沉渣图像的获取 | 第27-29页 |
| ·尿沉渣有形成分的特征 | 第29-36页 |
| ·各有形成分的主要特征 | 第29-36页 |
| ·尿沉渣显微图像的特点 | 第36页 |
| 本章小结 | 第36-37页 |
| 参考文献 | 第37-38页 |
| 第三章 基于分水岭算法的尿沉渣图像分割 | 第38-60页 |
| ·引言 | 第38页 |
| ·分水岭算法的基本原理 | 第38-39页 |
| ·传统的分水岭算法 | 第39-43页 |
| ·基本数学原理 | 第39-42页 |
| ·算法实现过程 | 第42-43页 |
| ·分水岭算法在尿沉渣图像分割中的应用 | 第43-49页 |
| ·形态学变换 | 第43-45页 |
| ·高帽和低帽变换 | 第44页 |
| ·灰度重建 | 第44-45页 |
| ·标记提取方法 | 第45-48页 |
| ·全局最优合并算法 | 第48-49页 |
| ·尿沉渣重叠图像的分割 | 第49-53页 |
| ·基本原理 | 第49-51页 |
| ·算法的实现及处理结果分析 | 第51-53页 |
| ·实验结果分析 | 第53-55页 |
| ·改进算法的实验结果分析 | 第53-54页 |
| ·与传统算法的比较结果 | 第54-55页 |
| 本章小结 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 第四章 基于水平集的尿沉渣图像分割方法 | 第60-82页 |
| ·引言 | 第60页 |
| ·水平集方法的基本理论 | 第60-74页 |
| ·曲线演化理论 | 第61-62页 |
| ·水平集方法的曲线演化描述 | 第62-66页 |
| ·水平集方法的数值计算 | 第66-67页 |
| ·窄带水平集 | 第67-69页 |
| ·快速行进方法 | 第69-74页 |
| ·应用水平集与分水岭方法的尿沉渣图像分割 | 第74-78页 |
| ·算法描述及处理过程 | 第74-75页 |
| ·实验结果及分析 | 第75-78页 |
| 本章小结 | 第78页 |
| 参考文献 | 第78-82页 |
| 第五章 尿沉渣图像的特征分析 | 第82-90页 |
| ·引言 | 第82页 |
| ·形态特征参数 | 第82-85页 |
| ·形状指标 | 第85-88页 |
| 本章小结 | 第88-89页 |
| 参考文献 | 第89-90页 |
| 第六章 基于RBFNN与SVM的尿沉渣有形成分的分类 | 第90-126页 |
| ·基于轮廓跟踪的分类方法 | 第90-93页 |
| ·RBFNN的基本理论和分类器的实现 | 第93-100页 |
| ·RBFNN的概述 | 第93-95页 |
| ·RBFNN的学习方法 | 第95-97页 |
| ·RBFNN网络结构设计 | 第97-99页 |
| ·分类结果及RBFNN算法分析 | 第99-100页 |
| ·支持向量机的基本理论 | 第100-107页 |
| ·结构风险最小化 | 第100-101页 |
| ·最优分类面 | 第101-102页 |
| ·线性SVM | 第102-104页 |
| ·非线性SVM | 第104-106页 |
| ·核函数 | 第106页 |
| ·SVM的工作原理和特点 | 第106-107页 |
| ·SVM与RBFNN的方法比较 | 第107-109页 |
| ·基于SVM的尿沉渣有形成分的分类 | 第109-115页 |
| ·SVM的分类器模式及系统结构 | 第109-111页 |
| ·样本库的建立 | 第111-114页 |
| ·尿沉渣有形成分的支持向量机分类算法实现 | 第114-115页 |
| ·实验结果及分析 | 第115-120页 |
| ·SVM分类器性能分析 | 第115-119页 |
| ·SVM分类方法的优缺点 | 第119-120页 |
| 本章小结 | 第120-121页 |
| 参考文献 | 第121-126页 |
| 第七章 总结与展望 | 第126-129页 |
| ·主要工作总结 | 第126页 |
| ·本文主要创造性工作 | 第126-127页 |
| ·应用前景展望 | 第127-129页 |
| 致谢 | 第129-130页 |
| 博士研究生期间第一作者发表的学术论文 | 第130页 |