| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 1 引言 | 第16-34页 |
| 1.1 课题研究背景和社会意义 | 第16-20页 |
| 1.2 国内外研究现状及发展趋势 | 第20-29页 |
| 1.2.1 细胞图像分割方法研究现状 | 第20-27页 |
| 1.2.2 细胞图像特征提取方法研究现状 | 第27-28页 |
| 1.2.3 细胞图像分类方法研究现状 | 第28-29页 |
| 1.3 存在的问题 | 第29-31页 |
| 1.4 研究目的、内容和技术路线 | 第31-32页 |
| 1.4.1 研究目的 | 第31页 |
| 1.4.2 研究内容和技术路线 | 第31-32页 |
| 1.5 本章小结 | 第32-34页 |
| 2 牛乳体细胞图像的获取及预处理 | 第34-47页 |
| 2.1 牛乳体细胞图像采集 | 第34-38页 |
| 2.1.1 乳样采集 | 第34-35页 |
| 2.1.2 实验方法 | 第35-38页 |
| 2.2 图像预处理 | 第38-46页 |
| 2.2.1 图像类型转换 | 第38-41页 |
| 2.2.2 图像增强与滤波 | 第41-44页 |
| 2.2.3 形态学处理 | 第44-46页 |
| 2.3 本章小结 | 第46-47页 |
| 3 基于不确定理论的云模型分割算法 | 第47-73页 |
| 3.1 引言 | 第47-48页 |
| 3.2 云模型 | 第48-54页 |
| 3.2.1 基于Otsu算法的图像分割 | 第50-51页 |
| 3.2.2 云模型 | 第51-52页 |
| 3.2.3 基于高斯分布的云模型与体细胞图像灰度分布 | 第52-53页 |
| 3.2.4 基于高斯分布的云模型的体细胞图像分割准则 | 第53-54页 |
| 3.3 改进的分水岭算法 | 第54-59页 |
| 3.3.1 初分割阶段 | 第56-58页 |
| 3.3.2 二次分割阶段 | 第58-59页 |
| 3.4 实验结果及分析 | 第59-71页 |
| 3.4.1 云模型实验分析 | 第60-66页 |
| 3.4.2 改进的分水岭实验分析 | 第66-71页 |
| 3.5 本章小结 | 第71-73页 |
| 4 基于频域特征融合的体细胞图像识别算法 | 第73-94页 |
| 4.1 引言 | 第73-74页 |
| 4.2 频域整体特征提取Gabor-based(2D)~2PCA算法 | 第74-77页 |
| 4.2.1 特征空间组成 | 第74-76页 |
| 4.2.2 特征空间降维 | 第76-77页 |
| 4.3 空域局部特征提取NMFSNBM算法 | 第77-80页 |
| 4.4 最近邻分类器 | 第80页 |
| 4.5 整体特征与局部特征融合过程 | 第80-81页 |
| 4.6 实验结果与分析 | 第81-92页 |
| 4.6.1 Gabor-based(2D)~2PCA算法的体细胞分类及分析 | 第82-86页 |
| 4.6.2 NMFSNBM参数设置的实验分析 | 第86-87页 |
| 4.6.3 Gabor-based(2D)~2PCA与NMFSNBM融合算法的实验分析 | 第87-92页 |
| 4.7 本章小结 | 第92-94页 |
| 5 基于空域多特征优选和融合的体细胞图像识别算法 | 第94-126页 |
| 5.1 引言 | 第94-95页 |
| 5.2 体细胞图像特征空间 | 第95-101页 |
| 5.2.1 颜色特征 | 第95页 |
| 5.2.2 形态特征 | 第95-99页 |
| 5.2.3 纹理特征 | 第99-101页 |
| 5.3 基于ReliefF和K-S检验的特征优选和融合 | 第101-104页 |
| 5.3.1 ReliefF特征优选 | 第101-102页 |
| 5.3.2 K-S检验 | 第102-103页 |
| 5.3.3 特征权值 | 第103-104页 |
| 5.4 GA-SVM分类器 | 第104-110页 |
| 5.4.1 SVM的结构设计 | 第104-106页 |
| 5.4.2 GA理论研究 | 第106-107页 |
| 5.4.3 GA-SVM分类器设计 | 第107-110页 |
| 5.5 实验结果分析 | 第110-124页 |
| 5.5.1 基于单独特征的实验分析 | 第111-113页 |
| 5.5.2 基于ReliefF和K-S检验的多特征优选和融合的实验分析 | 第113-118页 |
| 5.5.3 基于RKSGA-SVM的体细胞识别实验分析 | 第118-122页 |
| 5.5.4 基于空域多特征识别算法与基于频域特征融合算法的对比实验 | 第122-124页 |
| 5.6 本章小结 | 第124-126页 |
| 6 结论与展望 | 第126-130页 |
| 6.1 结论 | 第126-127页 |
| 6.2 创新点 | 第127-128页 |
| 6.3 展望 | 第128-130页 |
| 致谢 | 第130-131页 |
| 参考文献 | 第131-141页 |
| 作者简介 | 第141-142页 |
