| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 图像边缘检测技术研究现状 | 第12-19页 |
| 1.2.1 基于常见检测算子的边缘检测 | 第12-17页 |
| 1.2.2 基于数学形态学的边缘检测 | 第17-19页 |
| 1.3 蚁群算法和混合蛙跳算法研究现状 | 第19-20页 |
| 1.4 本文的工作及意义 | 第20-21页 |
| 2 CT图形成像机理 | 第21-26页 |
| 2.1 CT简介 | 第21页 |
| 2.2 CT设备发展和检测方法 | 第21-23页 |
| 2.3 CT图像特点 | 第23页 |
| 2.4 CT成像基本原理和基本设备 | 第23-24页 |
| 2.5 CT的分析与诊断 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 基本蚁群算法理论(ACO) | 第26-38页 |
| 3.1 蚁群算法概述 | 第26-33页 |
| 3.1.1 蚂蚁群体行为模型 | 第26-28页 |
| 3.1.2 人工蚁群系统 | 第28-30页 |
| 3.1.3 基本蚁群算法模型 | 第30-33页 |
| 3.2 经典的改进蚁群算法 | 第33-36页 |
| 3.2.1 蚁群系统(ACS) | 第33-34页 |
| 3.2.2 最大最小系统(MMAS) | 第34-36页 |
| 3.3 蚁群算法的应用 | 第36-37页 |
| 3.3.1 路由问题 | 第36页 |
| 3.3.2 分配问题 | 第36-37页 |
| 3.3.3 企业调度管理 | 第37页 |
| 3.3.4 图像处理 | 第37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 混合蛙跳算法(SFLA) | 第38-46页 |
| 4.1 混合蛙跳算法的起源 | 第38-40页 |
| 4.2 混合蛙跳算法的原理 | 第40-41页 |
| 4.3 混合蛙跳算法基本模型 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 5 一种基于改进蚁群算法的CT图像边缘检测 | 第46-66页 |
| 5.1 图像预处理 | 第46-49页 |
| 5.1.1 图像灰度处理 | 第46页 |
| 5.1.2 图像去噪处理 | 第46-47页 |
| 5.1.3 图像增强处理 | 第47-49页 |
| 5.2 图像边缘检测评价标准 | 第49-51页 |
| 5.2.1 主观评价标准 | 第49页 |
| 5.2.2 客观评价标准 | 第49-51页 |
| 5.3 基于自适应机制的改进蚁群算法(AACO) | 第51-52页 |
| 5.4 基于混合蛙跳算法的改进自适应蚁群算法(SFLA-AACO) | 第52-53页 |
| 5.5 基于SFLA-AACO的医学CT图像边缘检测 | 第53-58页 |
| 5.5.1 目标图像设置 | 第53-54页 |
| 5.5.2 状态转移概率设置 | 第54-55页 |
| 5.5.3 信息挥发因子的自适应更新策略 | 第55页 |
| 5.5.4 局部搜索算法(SFLA) | 第55-57页 |
| 5.5.5 信息激素更新阶段 | 第57页 |
| 5.5.6 阈值分割方法 | 第57-58页 |
| 5.5.7 决策阶段 | 第58页 |
| 5.6 实验结果分析 | 第58-65页 |
| 5.6.1 主观评价分析 | 第59-63页 |
| 5.6.2 客观评价分析 | 第63-65页 |
| 5.7 算法分析 | 第65页 |
| 5.8 本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简历 | 第70-71页 |
| 学位论文数据集 | 第71-72页 |