| 1 绪论 | 第6-11页 |
| 1.1 课题研究背景 | 第6-7页 |
| 1.2 课题的研究意义 | 第7-8页 |
| 1.3 国内外研究现状 | 第8-9页 |
| 1.4 论文的主要工作及章节安排 | 第9-11页 |
| 2 图像处理相关基础 | 第11-22页 |
| 2.1 图像理解简介 | 第11-12页 |
| 2.2 图像理解的研究方法 | 第12-14页 |
| 2.2.1 判别分类方法 | 第12-13页 |
| 2.2.2 生成模型方法 | 第13页 |
| 2.2.3 句法语义分析方法 | 第13-14页 |
| 2.3 图像分割 | 第14-18页 |
| 2.3.1 基于阈值的分割方法 | 第15页 |
| 2.3.2 基于区域的分割方法 | 第15-17页 |
| 2.3.3 基于边缘的分割方法 | 第17页 |
| 2.3.4 基于特定理论的分割方法 | 第17-18页 |
| 2.4 图像识别 | 第18-20页 |
| 2.4.1 统计模式识别 | 第18-19页 |
| 2.4.2 句法模式识别 | 第19页 |
| 2.4.4 模糊模式识别 | 第19-20页 |
| 2.4.5 神经网络模式识别 | 第20页 |
| 2.5 本章总结 | 第20-22页 |
| 3 结合模糊聚类和边缘检测的胰腺 ERCP 图像分割 | 第22-28页 |
| 3.1 聚类和聚类分析 | 第22-23页 |
| 3.2 模糊 C-均值聚类算法 | 第23-24页 |
| 3.3 边缘检测算法 | 第24-26页 |
| 3.4 本文分割算法 | 第26-27页 |
| 3.4.1 算法思想 | 第26页 |
| 3.4.2 算法步骤 | 第26-27页 |
| 3.5 本章总结 | 第27-28页 |
| 4 基于 BP 神经网络的胰腺识别 | 第28-37页 |
| 4.1 人工神经网络 | 第28-32页 |
| 4.1.1 人工神经网络的结构与特点 | 第28-29页 |
| 4.1.2 神经元基本模型 | 第29页 |
| 4.1.3 神经网络识别方法 | 第29-32页 |
| 4.2 胰腺的特征提取 | 第32-34页 |
| 4.3 BP 神经网络在胰腺识别中的应用 | 第34-35页 |
| 4.3.1 参数的选取 | 第34-35页 |
| 4.3.2 算法步骤 | 第35页 |
| 4.4 本章总结 | 第35-37页 |
| 5 基于模糊理论的胰腺分类 | 第37-41页 |
| 5.1 模糊集合 | 第37页 |
| 5.2 模糊模式识别 | 第37-39页 |
| 5.2.1 基本思想 | 第37-38页 |
| 5.2.2 识别方法 | 第38-39页 |
| 5.3 胰腺分类算法设计 | 第39-40页 |
| 5.4 本章总结 | 第40-41页 |
| 6 实验结果及分析 | 第41-52页 |
| 6.1 实验环境 | 第41-42页 |
| 6.2 测试结果与分析 | 第42-51页 |
| 6.2.1 分割实验结果与分析 | 第42-47页 |
| 6.2.2 识别实验结果与分析 | 第47-48页 |
| 6.2.3 分类实验结果与分析 | 第48-51页 |
| 6.3 本章总结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 在学研究成果 | 第57-58页 |
| 致谢 | 第58页 |