醫(yī)學顯微圖像獲取及識別

第一章 緒論
1．1 醫(yī)學顯微圖像處理系統(tǒng)組成
1．2 醫(yī)學顯微圖像獲取及識別關鍵技術
1．2．1 光學顯微鏡自動聚焦技術
1．2．2 醫(yī)學顯微圖像分割技術
1．2．3 圖像特征提取與識別技術
1．3 主要內(nèi)容與結構安排

第一部分 光學顯微鏡自動聚焦技術
第二章 聚焦函數(shù)設計及其性能優(yōu)化
2．1 聚焦函數(shù)設計
2．1．1 聚焦函數(shù)設計原理
2．1．2 基于梯度的聚焦函數(shù)
2．1．3 頻域聚焦函數(shù)
2．1．4 基于自相關及灰度方差的聚焦函數(shù)
2．2 聚焦函數(shù)性能評價指標設計及最優(yōu)函數(shù)選取
2．2．1 性能評價指標設計
2．2．2 聚焦函數(shù)性能定量評估
2．2．3 最優(yōu)函數(shù)選取
2．3 聚焦曲線陡峭度增強
2．3．1 問題的提出
2．3．2 陡峭度增強算法
2．3．3 算法性能評估
2．3．4 算法復雜度分析
2．3．5 自動聚焦實驗
2．4 本章小結
第三章 焦平面搜索算法
3．1 顯微鏡大范圍聚焦
3．1．1 聚焦相對范圍數(shù)
3．1．2 聚焦類型分析
3．1．3 F值變化的有效性
3．1．4 聚焦類型判決及轉換
3．2 陡峭區(qū)極值搜索
3．2．1 盲人爬山算法
3．2．2 曲線擬合算法
3．3 基于視頻連續(xù)反饋的顯微鏡自動聚焦算法
3．3．1 連續(xù)聚焦模型的建立
3．3．2 適用范圍及運動速度控制
3．3．3 聚焦初始方向的選取
3．4 自動聚焦系統(tǒng)及實驗
3．4．1 全自動顯微鏡系統(tǒng)
3．4．2 Z軸回程誤差標定
3．4．3 自動聚焦實驗及討論
3．5 本章小結

第二部分 結核桿菌顯微圖像的增強、分割與識別
第四章 結核桿菌顯微圖像增強技術
4．1 基于直方圖均衡化的增強算法概述
4．1．1 直方圖均衡化增強算法原理
4．1．2 直方圖均衡化的改進算法描述
4．2 基于WTHE的彩色圖像增強算法
4．2．1 直方圖計算
4．2．2 PDF變換與灰度映射
4．2．3 亮度規(guī)范化
4．3 實驗結果與討論
4．3．1 實驗平臺與參數(shù)設置
4．3．2 圖像增強結果
4．4 本章小結
第五章 結核桿菌顯微圖像分割技術
5．1 基于顏色特征的分割
5．1．1 多階段多層次圖像分割框架
5．1．2 顏色空間分析及選取
5．1．3 結核桿菌目標顏色特征建模
5．1．4 基于HSV顏色空間的圖像初始分割
5．1．5 基于彩色圖像梯度分析和局部自適應閩值的圖像分割
5．1．6 分割結果后處理
5．1．7 實驗結果分析
5．2 基于分水嶺算法的圖像分割
5．2．1 分水嶺算法概述
5．2．2 基于gPb分水嶺的結核桿菌圖像分割算法
5．2．3 基于自動標記分水嶺的結核桿菌圖像分割算法
5．3 本章小結
第六章 基于形狀幾何統(tǒng)計特征及決策樹的結核桿菌目標識別
6．1 基于形狀幾何統(tǒng)計特征及決策樹的目標分類
6．1．1 目標樣本庫的建立
6．1．2 目標特征分析及形態(tài)描述子選取
6．1．3 基于決策樹的目標分類
6．2 綜合實驗與討論
6．2．1 典型樣本實驗
6．2．2 大樣本實驗
6．3 本章小節(jié)
第七章 基于變形模型的結核桿菌目標建模及識別
7．1 結核桿菌目標形狀建模
7．1．1 結核桿菌目標形狀的點分布模型
7．1．2 訓練樣本對齊
7．1．3 形狀模型建立
7．1．4 模型參數(shù)控制
7．2 斷裂目標連接及重疊目標分離
7．2．1 基于目標骨架的斷裂目標連接算法
7．2．2 基于目標骨架的重疊結核桿菌目標分離算法
7．3 基于變形模型的目標分類及形狀分析
7．3．1 結核桿菌目標關鍵點自動標注
7．3．2 基于形狀模型的識別準則
7．3．3 實驗結果與討論
7．4 本章小結

第三部分 宮頸細胞圖像的分割與識別
第八章 基于灰度邊緣信息的單細胞圖像分割
8．1 基于斷點抑制梯度向量場的閉合輪廓提取方法
8．1．1 閉合輪廓提取方法概覽
8．1．2 斷點標注
8．1．3 斷點抑制梯度向量場
8．1．4 改進的均值向量差分方法
8．1．5 仿真圖像的實驗結果
8．2 斷點抑制梯度向量場在細胞輪廓提取中的應用
8．2．1 細胞輪廓提取
8．2．2 關于圖像噪聲影響的討論
8．3 本章小結
第九章 基于色差向量場的單細胞圖像分割
9．1 色差向量場
9．2 基于色差向量場提取細胞輪廓
9．2．1 色差向量場下的細胞邊緣特性分析
9．2．2 色差向量模板提取
9．2．3 細胞輪廓的提取
9．3 實驗結果
9．3．1 實驗平臺及圖像數(shù)據(jù)獲取
9．3．2 細胞分割結果
9．4 本章小結
第十章 基于稀疏動態(tài)搜索與GVF Snake模型的重疊細胞圖像分割
10．1 本章的分割方法概覽
10．2 預分割與邊緣增強
10．2．1 預處理
10．2．2 形態(tài)學濾波與K均值算法結合的預分割
10．2．3 基于梯度分解的邊緣增強
10．3 細胞輪廓的精確提取
10．3．1 基準輪廓提取
10．3．2 稀疏動態(tài)輪廓搜索
10．3．3 細胞輪廓點初始位置估計
10．3．4 動態(tài)搜索準則
10．3．5 采用GVFSnake模型提取細胞輪廓
10．4 實驗結果與討論
10．4．1 測試數(shù)據(jù)集
10．4．2 細胞分割結果
10．4．3 討論
10．5 本章小結
第十一章 多細胞圖像分割
11．1 多細胞圖像中細胞核區(qū)域的增強
11．1．1 基于灰度信息的細胞核區(qū)域增強
11．1．2 基于彩色信息的細胞核區(qū)域增強
11．1．3 融合灰度與彩色信息的細胞核區(qū)域增強
11．2 多細胞圖像中的細胞核分割
11．2．1 細胞核粗分割
11．2．2 基于局域CVFSnake模型的細胞核精細分割
11．3 重疊細胞核分割
11．3．1 重疊細胞核的分離
11．3．2 缺失細胞核輪廓的重構
11．4 多細胞圖像中的細胞質(zhì)分割
11．4．1 細胞質(zhì)區(qū)域的粗分割
11．4．2 重疊細胞質(zhì)的分割
11．5 實驗結果與討論
11．5．1 細胞核分割結果與討論
11．5．2 細胞質(zhì)分割結果與討論
11．6 本章小結
第十二章 細胞圖像的特征參數(shù)提取與分類識別
12．1 細胞圖像的特征參數(shù)提取
12．1．1 正常宮頸細胞與異常宮頸細胞的典型特點
12．1．2 細胞圖像的特征參數(shù)提取
12．2 正常細胞與異常細胞的分類
12．2．1 四種基本分類器簡介
12．2．2 基于細胞核面積的兩級分類方法
12．3 實驗結果
12．3．1 實驗樣本庫及分類評價指標
12．3．2 Herlev數(shù)據(jù)集測試
12．3．3 自有數(shù)據(jù)集測試
12．4 本章小結
參考文獻