| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 视杯识别技术的研究背景和意义 | 第9-10页 |
| 1.2 视杯识别技术的研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 本文的结构 | 第14-17页 |
| 第2章 眼底图像简介 | 第17-23页 |
| 2.1 眼球结构及眼底图像 | 第17-18页 |
| 2.2 眼底图像采集与数据集 | 第18-20页 |
| 2.3 视杯分割的特点与难点 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第3章 CV 模型简介 | 第23-33页 |
| 3.1 曲线演化理论 | 第23-25页 |
| 3.2 水平集方法概述 | 第25-27页 |
| 3.3 CV 模型简介 | 第27-32页 |
| 3.3.1 CV 模型原理 | 第27-29页 |
| 3.3.2 CV 模型实验分析 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 眼底图像的预处理与初始轮廓的提取 | 第33-47页 |
| 4.1 预处理 | 第33-40页 |
| 4.1.1 RGB 颜色模型 | 第33-34页 |
| 4.1.2 彩色眼底图像的灰度转换 | 第34-36页 |
| 4.1.3 数学形态学原理的简介 | 第36-39页 |
| 4.1.4 感兴趣区域提取 | 第39-40页 |
| 4.2 初始轮廓的确定 | 第40-45页 |
| 4.2.1 擦除血管 | 第40-41页 |
| 4.2.2 基于阈值的粗分割 | 第41-45页 |
| 4.3 实验结果及分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于 CV 模型的视杯分割算法的改进与应用 | 第47-57页 |
| 5.1 CV 模型的改进 | 第47-51页 |
| 5.1.1 CV 模型能量函数的改进 | 第47页 |
| 5.1.2 终止准则 | 第47-48页 |
| 5.1.3 实验结果 | 第48-51页 |
| 5.2 轮廓线的椭圆拟合算法 | 第51-54页 |
| 5.2.1 椭圆拟合 | 第51-52页 |
| 5.2.2 实验结果 | 第52-54页 |
| 5.3 算法流程总结 | 第54-55页 |
| 5.4 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的学术论文 | 第63-65页 |
| 致谢 | 第65页 |