基于形态学和区域融合的巨噬细胞图像分割算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景与意义 | 第9-11页 |
| 1.3 国内外研究现状及发展趋势 | 第11-12页 |
| 1.4 本文应达到的要求与创新之处 | 第12-13页 |
| 1.5 本文的主要工作与章节安排 | 第13-15页 |
| 第2章 数字图像处理的常见方法 | 第15-32页 |
| 2.1 图像获取与分类 | 第15-17页 |
| 2.1.1 图像获取 | 第15-16页 |
| 2.1.2 图像分类 | 第16-17页 |
| 2.2 数字图像基础 | 第17-19页 |
| 2.2.1 数字图像的文件格式 | 第17页 |
| 2.2.2 数字图像中像素间的关系 | 第17-19页 |
| 2.3 图像增强 | 第19-24页 |
| 2.3.1 灰度变换 | 第19-21页 |
| 2.3.2 噪声清除 | 第21-22页 |
| 2.3.3 锐化 | 第22-24页 |
| 2.4 数字图像的常见分割方法 | 第24-31页 |
| 2.4.1 灰度阈值分割 | 第25-26页 |
| 2.4.2 边界提取与边缘检测算法 | 第26-29页 |
| 2.4.3 基于区域的分割方法 | 第29页 |
| 2.4.4 基于形态学分割方法 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于“种子点”优化的分水岭分割方法 | 第32-50页 |
| 3.1 预处理 | 第32-35页 |
| 3.1.1 彩色图像灰度化 | 第32-33页 |
| 3.1.2 OTSU阈值分割 | 第33-34页 |
| 3.1.3 腐蚀、膨胀及开闭运算 | 第34-35页 |
| 3.2 基于梯度的分水岭算法 | 第35-37页 |
| 3.3 基于改进距离变换的分水岭算法 | 第37-42页 |
| 3.3.1 距离变换 | 第37-39页 |
| 3.3.2 寻求“种子点” | 第39页 |
| 3.3.3 “种子点”优化 | 第39-40页 |
| 3.3.4 重新分布距离图 | 第40-41页 |
| 3.3.5 分水岭分割结果 | 第41-42页 |
| 3.4 细胞标记和参数提取 | 第42-49页 |
| 3.4.1 细胞标记 | 第42-43页 |
| 3.4.2 参数提取 | 第43-46页 |
| 3.4.3 讨论 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于区域合并和数学形态学的算法 | 第50-64页 |
| 4.1 基于区域的图像分割算法 | 第50-52页 |
| 4.1.1 分水岭算法的过分割问题 | 第50页 |
| 4.1.2 区域分裂与合并 | 第50-52页 |
| 4.2 区域合并与分水岭方法的结合 | 第52-58页 |
| 4.3 实验结果与分析 | 第58-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 自适应多尺度形态学梯度算法 | 第64-71页 |
| 5.1 灰度图像形态学操作 | 第64-66页 |
| 5.1.1 灰度图像腐蚀、膨胀运算 | 第64页 |
| 5.1.2 灰度图像开、闭运算 | 第64页 |
| 5.1.3 顶帽、底帽变换 | 第64-66页 |
| 5.1.4 形态学梯度 | 第66页 |
| 5.2 自适应多尺度形态学梯度 | 第66-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 全文总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 攻读学位期间的研究成果 | 第77页 |
