一、基于模糊理论和人工神经网络的染色体分析（论文文献综述）
邱俊玮[1]（2021）在《人类染色体图像自动分类方法研究》文中指出染色体图像分类,是临床上进行染色体分析的关键步骤之一,在遗传疾病的诊断和肿瘤学研究中具有重要意义。得益于计算机技术的发展和进步,使用计算机进行自动化的染色体分类,成为了近年来的热门研究。染色体是非刚性物体,容易发生弯曲,弯曲的染色体会影响网络的精确率,需要对弯曲的染色体进行矫直。现有的染色体矫直方法主要分为切割矫直法和骨骼关联矫直法,这两种方法存在一些局限性:切割矫直法,通过切割图片矫直染色体,会使切割位置的图像信息缺失,破坏染色体的连贯性;骨骼关联矫直法,通过将染色体像素与骨骼进行关联来矫直染色体。但容易受到中间步骤的影响,如果骨骼提取不准确,或染色体像素与骨骼关联不准确,将会改变染色体形态信息。此外,染色体数据具有一定的特殊性。邻近类别的染色体形态差异较小,类别远离的染色体形态差异较大,即邻近类别的染色体形态相似性更高,这导致类别邻近的样本容易分类混淆。另外类别靠后的染色体带型特征比较模糊,与类别靠前的染色体相比分类准确率较低。对上述存在的问题,提出了针对性的改进,主要贡献如下:1.针对染色体弯曲的问题,提出了一种新的染色体矫直方法,使用圆拟合来矫直弯曲的染色体。本文提出的矫直方法,避免了切割矫直法的图像缺失问题;同时避免了骨骼关联矫直法容易改变染色体形态信息的问题。2.为了集中不同矫直方法的优势,提出了一种融合多种矫直方法的多输入网络特征提取网络。同时输入多种矫直图像,提高网络的分类效果。3.由于临近类别的染色体形态相似性更高,提出了一种基于Softmax Loss改进的损失函数,将其称为“Repul-Center Loss”,度量样本到特征中心之间的距离,当样本特征与临近类别特征中心距离较近时进行惩罚。4.针对类别靠后的染色体带型信息模糊的问题,增加了网络的预测分支,用于预测染色体的分组,辅助既有的染色体分类分支,增强分类的准确率。最后,结合所有本文所提出的方法,在所使用的BioImLab公开数据集上获得了优于现有分类方法的效果。
齐成超[2]（2021）在《面向染色体信息数据的交互式处理识别系统研究》文中研究表明现如今,伴随着计算机技术的快速进步,数字图像技术和机器学习算法理论的应用也愈发广泛。在染色体疾病的诊疗方向上,利用计算机技术来辅助进行染色体的图像处理和核型分析成为趋势。传统的染色体图像分析,从图像的识别到处理再到分析,都需要在不同的系统环境下进行,且由于软件系统的专业性,体积通常较大,只能在线下操作,缺乏普适性和易用性。传统的染色体分析系统的集成性较差,在对对象进行分析时往往因为图像本身存在的干扰而导致分析结果的不准确。本文设计的面向染色体信息数据的交互式处理识别系统基于python的django框架设计。本系统的研究成果主要有以下几点:1.本文对染色体轮廓对象应用了了矢量化图形处理技术,交互式的处理设计极大提高了染色体轮廓的精确程度和模块处理的速度,可以为后续的识别提供准确的数据。2.将Django框架和异步加载算法结合,配合json数据格式对染色体轮廓坐标数据进行传输储存和存储。因为json数据格式非常的契合染色体轮廓对象坐标对的形式,从而可以极大的提高了系统处理的速度。3.在系统中嵌入Editor.md实现了同步编辑功能的实现。从而使系统从染色体图像的识别、处理、分类和报告编辑模块的一体化。加强了系统的集成性,也极大提高了染色体疾病诊疗分析的效率。4.在病变染色体识别上,结合贝叶斯分类算法,识别出可能出现问题的染色体轮廓对象,辅助医护人员对病人的诊断。系统还具有体积小,使用操作简单,对运行环境系统的适配性高的特点。系统在人机交互的使用上,尽量采用人性化的设计,可以让操作员快速上手使用,后续还可以结合大数据分析,将数据储存到hive库中,对数据进一步的统计分析,探究疾病的产生原因等等。系统的应用可以促进染色体疾病的诊疗技术,结合了几部分的技术的使用,可以跟好的应对人类对于将高科技分析手段应用在疾病诊疗上的使用场景,让医院的工作得到降低,质量和效率得到提升。
赵超浩[3]（2020）在《人类染色体核型分析的中轴细化算法和分类模型》文中提出人类染色体核型分析在遗传病的检查、产前诊断和癌症病理分析等方面具有重要作用。染色体核型分析通过显微成像设备拍摄到细胞中染色体中期分裂时的图像,经过图像处理和模式识别等方法识别每一个染色体类别并排序得到核型分析图。染色体特征的提取以及选择分类算法对整个流程极其重要,染色体常用于分类的长度、着丝粒指数和带纹特征都非常依赖于染色体图像中轴的确定。但是,在染色体中轴提取过程中,传统的细化算法提取的中轴具有容易形成较多毛刺、连通性较差以及不能具有单像素宽等问题;此外,目前常见的染色体分类方法在分类精度和模型训练时间都有一定的不足。因此如何有效地提取具有较少毛刺、连通性好、单像素宽的染色体中轴线,以及提出具有更优性能的分类模型是本文研究工作的重点。为了能够提取具有较少毛刺、连通性好、单像素宽等特征的染色体中轴线,本文提出了一种基于串行细化和并行细化的混合细化算法。该算法主要包括三个步骤:首先根据边缘检测算法确定图像轮廓并处理边界噪声;然后根据设定的约束条件,对图像轮廓像素进行删除和保留处理;最后对经过前两个步骤多次迭代得到的中轴线进行处理,以保证提取的中轴线为单像素宽。同时为了能够有效地评估所提出算法的性能,本文提出了基于数学方法的评价指标用于评估算法。通过提出的混合细化算法与其他常见的细化算法在现有染色体数据集以及公用数据集上进行的实验对比,可以看出本文所提出的算法能够得到具有较少毛刺、连通性好、单像素宽等特征的染色体中轴线,而且该算法具有很好的泛化性能。依据中轴线提取了染色体的长度、面积、着丝粒指数以及带纹特征,并对这些特征进行归一化,最终得到了21维的染色体特征数据。为了能够解决现有染色体分类方法的缺点,本文提出了基于改进的人工蜂群算法优化二分类核极限学习机竞争队列模型,通过改进的人工蜂群算法来寻找每一个针对两类染色体分类的核极限学习机的最优惩罚系数和核函数参数。并且在分类器分类之后加入校正程序。通过本文分类方法和相关文献中的分类方法进行实验对比,可以得出本文所提出的分类方法能够提高分类精度并且降低了模型的训练时间。
丁威[4]（2020）在《基于染色体特征增强表达的自动核型分析研究》文中研究表明染色体核型分析是染色体遗传疾病研究和临床诊断的重要手段之一,是分析染色体数目和形态异常的重要手段,在染色体疾病诊断方面具有广泛的研究与应用价值。传统的染色体识别技术依赖人工操作,过程复杂,识别准确率低。对染色体自动识别的研究已经成为模式识别、人工智能等领域研究的热点话题。本文以人体染色体核型分析为背景,结合图像处理与模式识别技术、深度学习网络相关知识,分析研究了人类染色体自动分析系统的关键技术与算法,包括对染色体核型图像的预处理、特征提取与分类识别等。主要研究工作如下:1)染色体核型图像中的染色体存在数目多、分布不均、交叉粘连复杂,内部不连续等特点,使得染色体的分割任务变得十分困难。针对染色体图像特征,本文提出了一种利用边界灰度门限求解阈值获得目标图像边界的算法,并利用距离变换和区域标记实现了对染色体目标的分割。对染色体的几何特征进行分析,实现了基于几何特征的粘连染色体分割处理。2)针对染色体核型图像在获取时受到光照条件与染色条件的影响,产生的内部灰度不均、背景噪声伪影复杂、染色差异明显等众多问题,本文论述了染色体核型图像的关键特征信息。针对染色体核型图像条带特征的分布,本文中提出了一种自适应的染色体特征对比度增强算法。通过对图像的高频与低频部分进行处理,自适应调节对比度增益系数来进行染色体核型特征的增强。同时,为更好表达染色体特征信息,提出了基于染色体图像凹点检测的染色体拉直算法。3)已有的染色体核型分析处理大多都还停留在通过人机交互来完成对染色体核型图像的采集和分析。在实际的研究和临床应用中,对图像质量和人工水平要求都很高,还没有达到真正意义上的染色体“自动”识别水平。本文研究了如何有效利用计算机视觉研究和深度学习网络结构来构造实现辅助医生诊断的染色体自动识别分类系统。基于自建的染色体核型数据集,完成了数据标签生成与数据扩充,建立了基于融合染色体增强特征的深度学习目标分类模型。通过将本文所提出模型与已有图像分类模型进行实验对比,验证了加入融合特征的处理模型对于目标分类的积极作用,并通过在建立的染色体数据集上进行实验,对比结果表明系统模型对染色体自动分类精度的有效提升。
吴思[5]（2019）在《人类染色体图像核型分析系统的研究与实现》文中研究表明染色体是真核细胞生物在细胞分裂时期的遗传物质形成的特定形态,是遗传信息的载体,染色体主要由DNA和蛋白质组成,具有存储和传递遗传信息的作用。染色体核型是指一个细胞中的全部染色体按其大小和形状特征顺序排列所构成的图像,染色体核型分析是遗传分析技术的经典方法,是生物遗传科学研究和医学遗传疾病诊断的重要手段之一。早期的人类染色体核型分析需要具备专业技能的人员手动完成,对操作人员素质要求较高,且费时费力,分析效率较低,无法满足科学研究以及疾病诊断的需求。近年来随着计算机技术的更新,数字图像处理理论以及模式识别理论的发展,人们利用计算机辅助染色体核型分析得以实现,大大提高了染色体核型分析效率,为生物学及医学领域的发展带来了便利。本文基于G显带染色体图像,运用数字图像处理理论以及模式识别技术设计算法功能模块,结合计算机程序设计方法开发一套完整的染色体图像核型分析软件系统,实现计算机辅助核型分析。本文结合理论分析以及实验数据,在染色体图像预处理阶段,设计了以大津法图像分割、形态学平滑、形态学边界提取为主要流程的图像预处理方法。以染色体的长度、着丝点位置、带纹分布作为染色体图像主要特征数据,特征数据提取过程中,对于染色体图像中轴线的提取,设计了通过计算染色体距离变换图像中不同梯度方向上灰度极大值的方法来提取染色体骨架点;在着丝点定位过程中,提出了染色体中轴线各点的垂线与轮廓截线长度来表示染色体宽度,并计算宽度最小值确定着丝点的位置;在带纹量化时,统计垂直中轴线方向上的灰度均值来量化带纹分布。根据人类染色体核型特征以及染色体分组依据,利用提取的染色体特征数据,设计以BP神经网络初步分组再用k均值聚类法进行组内分类的二级分类模型。最后借助OpenCV库以及Qt界面框架等软件工具,整合本文的方法流程,设计并实现人类染色体图像分类软件系统。经过实验数据验证,该系统取得了较好的自动分类率以及自动分类准确率。
张正鹏[6]（2020）在《智能染色体分析辅助系统》文中认为随着现代医学与互联网技术的蓬勃发展,大量患者需要进行染色体分析以获得精确诊断。传统的染色体分析系统都是利用专业软件进行线下分析,而且只有特定的医疗机构和一些研究所才会拥有,已经无法提供快速且高效的染色体分析服务,而且无法将大量的染色体数据结合到一起来进行分析。因此人们迫切的希望现代染色体的分析能够搭上互联网这辆技术列车,往着更加高效、便捷和准确的目标发展。传统的染色体分析效率低下,从实验检测到生成图像,然后进行图像处理和人工修正,再到核型分析报告的生成,这些环节都需要耗费大量的人力物力。面对传统染色体分析系统所存在的种种弊端,本论文开发的智能染色体分析辅助系统,对上述问题做出了较为全面地改进。在图像处理方面,利用了Python第三方图像处理库对染色体图像进行预处理、边缘检测以及染色体轮廓的Json文件生成,完成了对染色体图像分析的前期处理。对于系统前端的设计,系统采用了Canvas作为画板工具,使用Ajax获取后端数据,实现了对染色体图片的放大缩小、拖拽以及选择等基础功能,基本满足了用户对于染色体图片操作的关键性需求。本系统建立了基于Django框架的ORM服务系统,实现了前后端的数据交互,使各个功能模块运行流畅。结合以上几个方面的工作,让染色体分析系统更加贴合用户群体的需求,使得染色体核型分析的过程更加智能化。相比于传统分析模式,智能染色体分析辅助系统能大大缩短报告的生成周期,为疾病的诊断赢得宝贵的时间。在本系统中重点解决了染色体图像处理以及前端辅助分析这两个方面。图像处理方面,本系统结合PIL图像处理模块形成了较为高效的图像处理流程,提高了染色体图像预处理、边缘检测等处理精度,并将轮廓数据形式处理成Json文件,便于前端调用。在前端设计方面,本系统整理了一套以Canvas元素为核心的图像编辑技术,综合地处理了各种关于染色体图像的可视化操作,以及染色体核型分析报告的生成。结合这两部分的技术,可以更加全面的应对人们对于染色体分析的需求,也可以更好更快捷地处理染色体分析过程中所需要经历的步骤,大大提升工作效率。
赵禹[7]（2017）在《基于机器视觉的水果外部品质检测技术研究 ——以青脆李和贡柑为例》文中提出我国作为水果生产大国,实现水果的自动分级检测具有重要的意义。目前国内针对水果自动分级检测的研究重视度逐年提高。本文首先设计了生产流水线和视觉系统,基于前期实验数据分析,将水果分级流水线的背景设计为白色,然后进行了青脆李和贡柑品质的视觉检测技术研究。当前国内外对青脆李及贡柑这两类南方水果的分级检测鲜有研究,本文旨在通过计算机视觉的方法,对以上两类水果进行表皮缺陷检测与分级,为果蔬品质的自动化检测与分级提供技术支持。在青脆李的分级检测中,分别采集了正常状态、圆形点状缺陷、划伤破损缺陷和条形块状缺陷四种状态图像共1000张用来进行缺陷检测研究。利用卷积神经网络作为状态分类器对样本图像进行分类训练和测试,然后对青脆李图像的不同颜色空间的数据进行探索性分析,确定了适用于青脆李图像分割的H分量,先后使用K均值聚类和模糊C均值聚类对青脆李图像进行聚类分析,对比两种方法的聚类结果后确定采用K均值聚类算法进行青脆李表皮缺陷识别,同时结合Retinex增强算法以及面积约束对K均值算法进行改进。利用卷积神经网络分类器对青脆李图像分类测试精度达到97.5%,本文的检测算法整体有效检出率为92.7%,结果表明了本研究的视觉检测算法与分类器结果相结合能有效识别青脆李不同表皮缺陷状态区域,有较好的分割准确率。在贡柑的分类检测中,同样先采集了正常和缺陷两种状态的贡柑图像共50张用来进行缺陷检测研究,然后对贡柑图像的不同颜色空间的数据进行对比分析,确定各颜色空间中适用于贡柑图像分割的颜色分量。在贡柑表皮缺陷检测研究中,进行了两种图像分割算法的研究。第一种是利用传统Otsu算法对贡柑图像进行图像分割及缺陷检测。第二种是先利用基于投票的集成Otsu方法对贡柑图像进行图像分割,然后利用5个决策树结合随机森林的方法对图像分割后的结果进行探索性贡柑表皮缺陷检测。设计的试验结果表明:第一种方法的贡柑缺陷检出率为90.5%,第二种方法的缺陷检出率为92%。结合贡柑表皮特点及实验结果分析得出,传统Otsu方法对贡柑表皮缺陷检测较适用,随机森林方法在水果表皮缺陷检测问题上可对表皮光滑的其他水果进行下一步尝试。通过本文研究,在青脆李及贡柑外部品质检测技术方面取得了一定进展,达到了研究目的及预期要求,为果蔬品质的自动化检测与分级技术的进一步研究奠定了基础。
张佳南[8]（2016）在《碳纤维织造经纱损伤状态的图像检测研究》文中认为随着纺织行业的不断发展,碳纤维复合材料立体织物因其质量轻、强度刚度高、抗振性能好等优良特性,受到愈来愈广泛的重视和青睐。然而,织造过程中碳纤维经纱存在着易磨损起毛、易割伤的损伤特性。当纱线出现损伤时,我们希望可以及时的发现并处理,目前国内的纺织产业依然采用传统的人工检测方法进行碳纤维织造经纱的检测,检测效果并非十分理想。另外,碳纤维毛羽会导致环境污染,危害人体健康,造成了现阶段碳纤维立体织造工作环境恶劣,生产过程难以控制的现状。为了实时监控碳纤维经纱的织造生产状态,预见并控制生产过程中出现的损伤缺陷,本文在实验室环境下,基于千兆以太网的CCD摄像机-计算机的硬件平台,Labview视觉处理的软件平台,研究了适合在线检测碳纤维织造经纱损伤状态的图像处理算法,编写出一套具有在线检测碳纤维织造经纱损伤状态和判断完纬功能的图像处理程序,制定了一套碳纤维经纱损伤状态的评价方法,并通过数据通讯将评价标准数据发送给控制系统,供上位机实时改变控制策略参考。本文主要完成以下工作:（一）研究了适合在线实时检测碳纤维织造经纱损伤状态的图像处理算法。其中根据轮廓分析算法分析了经纱的轮廓粗糙度,依据粒子分析算法分析了经纱的损伤面积,通过颜色校验算法分析了纬纱筒是否完纬等,编写出一套具有在线实时检测织机经纱损伤状态和判断完纬功能的图像处理程序。（二）基于Labview软件图像处理模块实时采集到的碳纤维经纱损伤状态的基础参数,提出了一套适用于碳纤维立体织造经纱损伤状态的评价标准。采用模糊控制理论,运用Matlab模糊逻辑工具箱,编程实现了单根经纱总体损伤程度的评价。并通过Labview软件平台调用Matlab程序,实现了区域多根经纱总体损伤程度的评价。系统运行结果与人工实际检测相符,证明了系统研究方法和结果的正确性。（三）数据通讯及在线监控系统界面的实现。以Labview软件为平台,通过基于modbus协议的串口通讯方式,编写了实时数据传输程序和在线监控界面。将数据处理程序得到的评价数据实时发送给织机控制系统,供织机上位控制系统进行决策。
于海峰[9]（2012）在《染色体显微图像分割与分析技术的研究》文中研究说明医学显微图像的处理和分析是现代医学研究中最常用的手段,数字医学图像已经成为医生诊断病情的基本依据。计算机图像处理技术以其精确性、客观性、处理速度快等方面的优势,已经成为医学显微图像分析技术的发展趋势。染色体显微图像的分析是在显微图像数字化的基础上,来分析显微图像中的相关参数。利用计算机对显微图像作各种处理,加快了分析处理的速度和准确性。染色体显微图像分割是染色体图像分析的基础,分割的好坏直接影响到后续的分析和其他处理阶段。本文在传统的基于C均值（K均值）聚类分割的基础上,引入了粒子群优化算法（PSO）。首先建立一个染色体彩色图像的色度学准则,该准则可将染色体彩色图像自动分割成两幅图像：图像A、图像B。将每个样本视为粒子群中的一个粒子,在此基础上利用基于PSO的C均值（K均值）聚类算法对染色体彩色图像进行分割,从而有效地避免了图像搜索分割过程中陷入局部极优,解决了图像分割中的参量选择难题。针对迭代过程中计算量大的问题,针对迭代过程的特点即经过几次迭代后,均值移动向量将逐渐趋于平稳,引入Kalman预测算法来预测迭代的聚类中心值,无需重新计算类间距和像素归类。但为防止产生较大的偏移量,在后续迭代过程中,再等间隔地预测聚类中心值。结果证明这种处理办法减少了迭代的次数,极大地提高了运算速度。在染色体显微图像分析方面,本文提出了一种基于成对几何直方图（PGH）的染色体形状分析方法,对染色体形状信息进行PGH编码,然后对偏心率和圆形度参数进行分析。实现了快速准确的对这两项参数进行提取分析。实验表明,本文所提出的染色体显微图像分割方法和分析方法极大提高了染色体图像分析的精确度,为临床诊断和医学研究提供了定量、准确、迅速的诊断手段。
廖燕[10]（2011）在《模糊理论与隐马尔科夫模型在图像处理中的应用研究》文中研究表明图像处理是近年来发展最迅速的领域之一,它的应用已经渗透在社会生活的各个方面。在图像处理过程中图像分割是图像分析、模式识别、计算机视觉等领域的首要任务。模糊聚类由于能够描述样本类的中介性,能更客观地反映现实世界,目前已成为聚类分析的主流。众多的模糊聚类方法中,应用最广泛的是模糊C均值（FCM）算法但是FCM算法还存在多方面问题亟待解决。这些不足之处造成图像分割的瓶颈,制约着这一领域的进一步发展。在图像识别领域从基于像元的图像识别向基于图元的图像分析的演变,是它进一步发展的必然要求。隐马尔可夫模型于20世纪60年代后期被提出之后,在语音识别、Gesture识别、手写文档理解等诸多领域产生了许多应用成果。但通常用于训练HMM的经典算法baum-welch算法,实际上是一种极大似然参数估计法,因为单个模型独立进化,逐渐收敛,所以通常只能得到局部最优,找到最优HMM的概率不高。本文在总结目前国内外研究现状的基础上,针对图像分割和识别领域中的这些问题提出了一些改进算法,具体工作安排如下:1.本文在传统的模糊C均值（FCM）分割算法中加入了空间邻域信息对其进行改进,该方法在分割图像时将每幅图像划分成多个3×3邻域窗口,将图像的空间邻域信息和灰度值信息结合的约束项引入FCM算法的目标函数中。在迭代过程中,不再以单个像素进行计算,而是以每个邻域窗口的距离窗口和灰度值窗口相对应的数据块进行迭代计算。对比实验结果可以看出,本文算法能有效降低对噪声的敏感性和更好的保持图像边缘信息。并且,通过调节β的取值,可以实现对不同程度的受噪声污染的遥感图像进行更合理有效地分割。2.在第1点的基础上利用微正则退火算法优秀的全局收敛性对改进的FCM算法进行优化,使它能搜索到全局最优解,减少迭代次数并增强算法的稳定性。3.本文提出了一种基于图元的隐马尔科夫模型（HMM）和粒子群优化算法（PSO）的手写数字识别方法。该方法定义了24个具有方向性的图元,弥补了传统方法在识别时对起始点的选择敏感的不足,而且能降低因抖动带来的模糊性。将HMM利用PSO算法优化,利用PSO优秀的全局收敛性提高HMM寻优的概率,以避免HMM陷入局部极小值点。实验结果表明,与传统识别方法相比,该方法能使大部分手写数字的识别率有所提高。
二、基于模糊理论和人工神经网络的染色体分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于模糊理论和人工神经网络的染色体分析（论文提纲范文）
（1）人类染色体图像自动分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 染色体矫直研究现状 |
| 1.2.2 染色体分类研究现状 |
| 1.3 主要工作与创新点 |
| 1.3.1 主要工作 |
| 1.3.2 创新点 |
| 1.3.3 论文结构 |
| 第2章 相关理论和技术介绍 |
| 2.1 染色体分类流程 |
| 2.1.1 早期染色体分类 |
| 2.1.2 基于深度学习的染色体分类 |
| 2.2 染色体图像预处理 |
| 2.2.1 图像滤波 |
| 2.2.2 灰度变换 |
| 2.2.3 染色体骨骼提取 |
| 2.3 最小二乘法 |
| 2.4 卷积神经网络 |
| 2.5 本章小结 |
| 第3章 针对染色体矫直的改进 |
| 3.1 本文染色体矫直流程 |
| 3.2 基于染色体掩膜的圆拟合 |
| 3.2.1 基于OTSU的图像掩膜提取 |
| 3.2.2 使用染色体掩膜拟合圆 |
| 3.3 染色体重建 |
| 3.3.1 弯曲染色体判别 |
| 3.3.2 染色体定位 |
| 3.3.3 染色体像素变换 |
| 3.4 本章小结 |
| 第4章 针对网络结构和损失函数的改进 |
| 4.1 染色体图像预处理 |
| 4.1.1 图像平滑 |
| 4.1.2 染色体全局灰度变换 |
| 4.2 矫直图像的多输入融合 |
| 4.2.1 基于切割的染色体矫直、基于骨骼提取的染色体矫直 |
| 4.2.2 多输入神经网络模型 |
| 4.3 染色体分组分支 |
| 4.3.1 染色体分组 |
| 4.3.2 染色体分组分支 |
| 4.4 损失函数 |
| 4.4.1 Softmax损失 |
| 4.4.2 改进的损失函数 |
| 4.5 本章小结 |
| 第5章 实验与分析 |
| 5.1 实验环境 |
| 5.2 数据集介绍 |
| 5.3 评价标准 |
| 5.4 染色体矫直改进的实验 |
| 5.4.1 基于经典神经网络的基础实验 |
| 5.4.2 基于改进矫直方案的分类实验 |
| 5.4.3 基于改进多输入网络的分类 |
| 5.5 改进损失函数和分组分支实验 |
| 5.5.1 改进的损失函数实验 |
| 5.5.2 分组分支对分类效果的影响 |
| 5.6 融合实验 |
| 5.6.1 本文改进方法的融合实验 |
| 5.6.2 模型融合总结 |
| 5.7 本章小节 |
| 第6章 总结和展望 |
| 6.1 总结与展望 |
| 参考文献 |
| 在读期间主要科研成果简介 |
| 致谢 |
（2）面向染色体信息数据的交互式处理识别系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的研究背景 |
| 1.2 国内外染色体分析现状 |
| 1.3 工作内容及结构 |
| 第二章 染色体分析及其重要意义 |
| 2.1 .染色体形态和结构特征 |
| 2.2 人类染色体与染色体疾病 |
| 2.3 用于核型分析的染色体特征 |
| 2.4 深度学习算法应用于染色体自动分析 |
| 2.5 本章小结 |
| 第三章 染色体图像预处理 |
| 3.1 染色体数据的可视化和切割 |
| 3.1.1 图像来源 |
| 3.1.2 基于二次分水岭算法的图像识别 |
| 3.1.3 图像、坐标数据的存储和传输 |
| 3.1.4 基于canvas和paper.js的图像处理 |
| 3.2 染色体图像的处理 |
| 3.2.1 染色体轮廓绘制 |
| 3.2.2 新建染色体轮廓和非染色体的删除标记 |
| 3.2.3 染色体轮廓的细微修改 |
| 3.2.4 问题染色体的分割和合并 |
| 3.2.5 边缘细化处理 |
| 3.3 本章小结 |
| 第四章 染色体特征提取和分类 |
| 4.1 染色体特征提取 |
| 4.1.1 染色体轮廓中轴线的提取 |
| 4.1.2 弯曲染色体的修正 |
| 4.1.3 着丝点位置的判断 |
| 4.1.4 染色体的长度、面积和着丝粒指数 |
| 4.2 病变染色体识别 |
| 4.2.1 识别方法分析 |
| 4.2.2 贝叶斯算法 |
| 4.2.3 病变染色体识别 |
| 4.3 识别结果的排列 |
| 4.3.1 识别结果的排列和显示 |
| 4.3.2 病例报告的编写 |
| 4.4 本章小结 |
| 第五章 系统设计与实现 |
| 5.1 软件开发工具 |
| 5.1.1 系统所用语言和框架 |
| 5.1.2 开发工具配置 |
| 5.1.3 数据库设计 |
| 5.2 软件系统设计 |
| 5.2.1 系统功能概述 |
| 5.2.2 需求分析 |
| 5.2.3 用户图形界面的设计 |
| 5.3 具体功能设计 |
| 5.3.1 登录模块 |
| 5.3.2 病人搜索模块设计 |
| 5.3.3 图片上传功能 |
| 5.3.4 管理员模块 |
| 5.4 系统平台测试 |
| 5.4.1 系统测试方法 |
| 5.4.2 功能测试用例描述 |
| 5.5 本章小结 |
| 第6 章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（3）人类染色体核型分析的中轴细化算法和分类模型（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本文的研究背景和研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 细化算法研究现状及分析 |
| 1.2.2 染色体分类算法研究现状及分析 |
| 1.3 本文的主要工作 |
| 1.4 本文的组织结构 |
| 2 图像细化基础及经典串行和并行细化算法 |
| 2.1 图像细化基础 |
| 2.1.1 图像细化背景及原理 |
| 2.1.2 图像细化标准 |
| 2.2 经典串行细化算法 |
| 2.2.1 Hildich细化算法 |
| 2.2.2 K3M细化算法 |
| 2.3 经典并行细化算法 |
| 2.3.1 AW细化算法 |
| 2.3.2 ZS细化算法原理 |
| 2.4 本章小结 |
| 3 核极限学习机和人工蜂群算法基础理论 |
| 3.1 核极限学习机基本原理 |
| 3.1.1 神经网络基本理论及模型 |
| 3.1.2 核极限学习机原理及其优缺点 |
| 3.2 人工蜂群算法理论基础 |
| 3.2.1 群智能优化算法概述 |
| 3.2.2 人工蜂群算法原理 |
| 3.3 本章小结 |
| 4 基于混合细化算法的染色体中轴提取 |
| 4.1 算法描述 |
| 4.2 算法内容 |
| 4.2.1 预处理阶段 |
| 4.2.2 根据约束条件保留和删除轮廓像素 |
| 4.2.3 后处理阶段 |
| 4.3 细化算法评价指标 |
| 4.4 实验与分析 |
| 4.4.1 实验运行环境 |
| 4.4.2 实验数据来源及对比方法 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 5 染色体特征的提取和IABC-KELM竞争队列分类模型 |
| 5.1 染色体特征的提取 |
| 5.1.1 染色体长度特征的提取 |
| 5.1.2 染色体面积和着丝粒指数的提取 |
| 5.1.3 染色体带纹特征提取 |
| 5.1.4 特征的归一化 |
| 5.2 基于二分类IABC-KELM竞争队列的染色体分类 |
| 5.2.1 算法描述 |
| 5.2.2 算法内容 |
| 5.3 实验与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文主要工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在校期间发表的学术论文与研究成果 |
（4）基于染色体特征增强表达的自动核型分析研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究目的及意义 |
| 1.2 染色体核型图像分析研究现状概述 |
| 1.2.1 染色体核型图像的制备与诊断流程 |
| 1.2.2 染色体分析领域研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 章节安排 |
| 第二章 染色体分割算法研究 |
| 2.1 染色体核型图像概述 |
| 2.2 染色体分割算法 |
| 2.2.1 染色体图像的预处理 |
| 2.2.2 图像分割算法及研究进展 |
| 2.2.3 基于目标距离变换的染色体分割算法 |
| 2.3 基于几何特征的粘连染色体分割算法研究 |
| 2.4 本章小结 |
| 第三章 基于显着特征表达的染色体增强算法研究 |
| 3.1 染色体增强算法研究现状 |
| 3.1.1 染色体特征描述 |
| 3.1.2 图像增强算法研究现状 |
| 3.2 染色体特征增强算法 |
| 3.2.1 基于高低频域的染色体对比度增强算法 |
| 3.2.2 实验结果比较与分析 |
| 3.3 基于凹点检测的染色体拉直算法研究 |
| 3.3.1 目标凸包与凹点描述 |
| 3.3.2 基于凹点检测的染色体拉直算法模型构建 |
| 3.4 本章小结 |
| 第四章 基于染色体深度特征表达的分类算法研究 |
| 4.1 染色体核型分类研究现状 |
| 4.2 相关工作以及理论基础 |
| 4.2.1 染色体核型分类领域的已有相关工作介绍 |
| 4.2.2 目标检测分类领域已有相关工作介绍 |
| 4.3 基于染色体深度特征表达的分类算法 |
| 4.3.1 染色体分类算法研究现状 |
| 4.3.2 数据标记与扩充 |
| 4.3.3 基于融合染色体增强特征的深度学习分类模型 |
| 4.4 实验结果分析 |
| 4.4.1 改进模型与增加预处理模块实验结果分析 |
| 4.4.2 拉直处理后染色体数据分类实验结果分析 |
| 4.5 本章小结 |
| 第五章 研究总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
| 攻读硕士学位期间参与的项目 |
（5）人类染色体图像核型分析系统的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 绪论 |
| 第一节 研究背景及意义 |
| 第二节 国内外研究现状 |
| 一、染色体图像处理主要算法研究现状 |
| 二、国内外染色体自动分析系统研究现状 |
| 第三节 本文主要内容与工作 |
| 第四节 组织结构 |
| 第一章 染色体图像预处理 |
| 第一节 图像分割 |
| 第二节 边缘平滑 |
| 第三节 轮廓提取 |
| 第四节 本章小结 |
| 第二章 染色体图像特征提取 |
| 第一节 染色体中轴线提取 |
| 一、剥离法提取骨架 |
| 二、距离变换提取骨架 |
| 三、消除分叉线 |
| 四、中轴线拟合及延长 |
| 五、染色体的长度量化 |
| 第二节 着丝点定位 |
| 一、着丝点定位方法 |
| 二、着丝点指数 |
| 第三节 带纹提取 |
| 一、带纹对比度增强 |
| 二、带纹提取方法 |
| 第四节 本章小结 |
| 第三章 染色体自动分类 |
| 第一节 人类染色体的核型特征 |
| 第二节 分类方法 |
| 第三节 基于BP神经网络分组 |
| 一、BP神经网络概述 |
| 二、模型构建 |
| 三、网络训练 |
| 第四节 基于k-means的组内分类 |
| 一、k-means算法概述 |
| 二、染色体图像组内聚类 |
| 第五节 本章小结 |
| 第四章 染色体图像分类系统的设计和实现 |
| 第一节 系统需求分析 |
| 一、可行性分析 |
| 二、系统功能需求 |
| 三、用户功能需求 |
| 第二节 系统设计 |
| 一、总体结构设计 |
| 二、系统运行流程 |
| 第三节 系统开发环境及工具 |
| 一、开发环境及语言 |
| 二、OpenCV图像处理库 |
| 三、Qt图形用户界面 |
| 第四节 系统实现及结果分析 |
| 一、系统界面 |
| 二、主要功能模块实现 |
| 三、结果与分析 |
| 第五章 总结与展望 |
| 第一节 总结 |
| 第二节 展望 |
| 一、本文不足 |
| 二、展望 |
| 参考文献 |
| 致谢 |
（6）智能染色体分析辅助系统（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题的研究背景 |
| 1.2 国内外染色体分析现状 |
| 1.3 论文主要工作 |
| 第2章 染色体理论及图像处理技术 |
| 2.1 染色体及图像处理理论分析 |
| 2.1.1 染色体概念详解 |
| 2.1.2 染色体形态特征 |
| 2.1.3 染色体图像分析理论 |
| 2.1.4 染色体核型分析理论 |
| 2.2 染色体图像处理技术及切割算法 |
| 2.2.1 染色体图像预处理技术 |
| 2.2.2 染色体图像分割方法 |
| 2.2.3 染色体图像轮廓数据的编码技术 |
| 第3章 染色体分析系统平台搭建相关技术 |
| 3.1 染色体分析系统平台前后端技术 |
| 3.1.1 Python语言简介 |
| 3.1.2 Django后端处理简介 |
| 3.1.3 前端处理技术—Canvas |
| 3.2 Canvas图片绘制及操作技术 |
| 3.2.1 Canvas绘制染色体图片 |
| 3.2.2 原生Js实现染色体图片的处理 |
| 3.2.3 染色体轮廓叠加技术 |
| 第4章 基于Canvas的染色体分析系统设计 |
| 4.1 染色体分析模块设计 |
| 4.1.1 登录注册模块设计 |
| 4.1.2 染色体图片查看模块设计 |
| 4.1.3 染色体图片处理模块设计 |
| 4.1.4 染色体图片排列模块设计 |
| 4.1.5 核型报告生成模块设计 |
| 4.1.6 后端管理模块设计 |
| 4.2 染色体分析系统关键技术分析 |
| 4.2.1 染色体图像轮廓提取技术 |
| 4.2.2 染色体图片数据传输技术 |
| 4.2.3 自动画笔函数实现染色体轮廓叠加技术 |
| 第5章 染色体分析模块实现 |
| 5.1 各系统模块实现 |
| 5.1.1 系统登录注册模块实现 |
| 5.1.2 染色体图片查看模块的实现 |
| 5.1.3 染色体图片处理模块的实现 |
| 5.1.4 染色体图片排列模块的实现 |
| 5.1.5 核型报告生成模块的实现 |
| 5.1.6 后端管理模块的实现 |
| 5.2 图像处理关键技术实现 |
| 5.2.1 染色体轮廓自动提取实现 |
| 5.2.2 异步获取染色体图片数据 |
| 5.2.3 染色体轮廓叠加技术实现 |
| 5.3 系统平台测试 |
| 5.3.1 系统测试方法 |
| 5.3.2 功能测试用例描述 |
| 5.3.3 兼容性测试 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 个人简介 |
（7）基于机器视觉的水果外部品质检测技术研究 ——以青脆李和贡柑为例（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究内容 |
| 1.4 技术路线 |
| 2 机器视觉系统 |
| 2.1 机器视觉技术 |
| 2.2 视觉及流水线检测系统构建 |
| 2.2.1 视觉系统构建 |
| 2.2.2 流水线结构 |
| 2.3 本章小结 |
| 3 水果视觉品质检测技术 |
| 3.1 计算机视觉的颜色模型 |
| 3.1.1 RGB模型 |
| 3.1.2 HSV模型 |
| 3.1.3 Lab模型 |
| 3.2 图像分割 |
| 3.2.1 图像分割概念 |
| 3.2.2 阈值分割法 |
| 3.2.3 最大类间方差阈值分割法 |
| 3.3 图像识别 |
| 3.3.1 图像识别概念 |
| 3.3.2 人工神经网络 |
| 3.3.3 模糊C均值聚类算法 |
| 3.3.4 K均值聚类算法 |
| 3.3.5 决策树与随机森林 |
| 3.4 本章小结 |
| 4 青脆李品质检测算法设计及试验分析 |
| 4.1 青脆李图像预处理及分类 |
| 4.1.1 图像预处理 |
| 4.1.2 图像分类算法 |
| 4.2 青脆李颜色模型分析 |
| 4.3 青脆李图像分割算法 |
| 4.3.1 改进的K均值聚类分割 |
| 4.3.2 缺陷检测算法流程 |
| 4.4 青脆李品质检测试验分析 |
| 4.4.1 青脆李分类结果与统计分析 |
| 4.4.2 青脆李图像分割结果与对比分析 |
| 4.5 本章小结 |
| 5 贡柑品质检测算法设计及试验分析 |
| 5.1 贡柑颜色模型分析 |
| 5.2 贡柑图像分割算法 |
| 5.2.1 传统方法的图像分割 |
| 5.2.2 集成Otsu算法的图像分割 |
| 5.3 贡柑品质检测 |
| 5.3.1 传统方法贡柑品质检测 |
| 5.3.2 基于探索性随机森林的贡柑品质检测 |
| 5.4 贡柑品质检测试验分析 |
| 5.4.1 传统Otsu算法贡柑品质检测结果与统计分析 |
| 5.4.2 探索性随机森林方法贡柑品质检测结果与统计分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 青脆李品质检测部分关键代码 |
| 附录B 贡柑品质检测部分关键代码 |
（8）碳纤维织造经纱损伤状态的图像检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 碳纤维及其复合材料 |
| 1.1.2 碳纤维织造经纱损伤概述 |
| 1.1.3 图像检测技术 |
| 1.2 国内外研究现状分析 |
| 1.2.1 纱线检测的国内外研究现状 |
| 1.2.2 图像处理技术在纱线检测中的国内外研究现状 |
| 1.3 研究内容 |
| 1.4 研究目的和意义 |
| 1.5 本章小结 |
| 第二章 图像检测系统总体设计 |
| 2.1 系统方案设计 |
| 2.2 图像采集模块 |
| 2.3 图像处理模块 |
| 2.4 数据处理模块 |
| 2.5 数据通讯模块 |
| 2.6 本章小结 |
| 第三章 图像检测算法研究 |
| 3.1 图像预处理 |
| 3.1.1 RGB彩色图像转化为灰度图 |
| 3.1.2 图像对比度和亮度改善 |
| 3.1.3 图像滤波 |
| 3.2 碳纤维经纱损伤状态的图像算法研究 |
| 3.2.1 边缘检测 |
| 3.2.2 轮廓分析 |
| 3.2.3 粒子检测 |
| 3.3 碳纤维织造完纬检测的图像算法研究 |
| 3.4 图像检测算法程序流程说明 |
| 3.5 本章小结 |
| 第四章 标准的制定及实现 |
| 4.1 评价标准制定 |
| 4.1.1 基础参数 |
| 4.1.2 评价指标 |
| 4.2 选定数据处理算法—模糊算法 |
| 4.3 单根经纱总体损伤程度评定及实现 |
| 4.3.1 建立模糊推理系统 |
| 4.3.2 评价算法实现及验证 |
| 4.4 区域经纱总体损伤程度评定及实现 |
| 4.5 本章小结 |
| 第五章 数据通讯及在线监控系统界面的实现 |
| 5.1 Modbus协议 |
| 5.2 基于Labview平台的通讯程序实现 |
| 5.3 基于Labview平台的用户界面实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所发表的学术论文目录 |
（9）染色体显微图像分割与分析技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 导论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 本课题研究动态 |
| 1.2.1 国外研究动态 |
| 1.2.2 国内研究动态 |
| 1.3 论文的组织结构 |
| 1.4 论文的主要研究内容 |
| 1.4.1 染色体显微图像分析的流程 |
| 1.4.2 论文的思路方法和技术路线 |
| 1.4.3 论文的创新 |
| 2 染色体图像相关概念 |
| 2.1 染色体的相关概念 |
| 2.1.1 染色体的概念 |
| 2.1.2 遗传病学的概念 |
| 2.1.3 染色体核型分析的概念 |
| 2.1.4 染色体图像分析的意义 |
| 2.2 染色体显微图像的获取方法 |
| 2.3 染色体显微图像的特征 |
| 2.3.1 形态特征 |
| 2.3.2 带型特征 |
| 2.4 染色体显微图像的分类 |
| 3 染色体图像分割概述 |
| 3.1 图像预处理技术 |
| 3.1.1 图像的增强 |
| 3.1.2 图像的均衡化 |
| 3.2 彩色图像颜色空间的选择 |
| 3.2.1 常用的颜色空间 |
| 3.2.2 颜色空间的选择 |
| 3.3 彩色图像分割方法 |
| 3.3.1 基于边缘的分割技术 |
| 3.3.2 基于区域的分割技术 |
| 3.3.3 基于特定理论的图像分割法 |
| 4 染色体显微图像的分割 |
| 4.1 常用分割算法研究综述 |
| 4.1.1 基于YUV颜色空间的OTSU阈值分割 |
| 4.1.2 基于分水岭分割算法的染色体显微图像分割 |
| 4.2 基于PSO的C均值(K均值)染色体显微图像分割 |
| 4.2.1 色度学准则的建立 |
| 4.2.2 C均值(K均值)聚类算法分析 |
| 4.2.3 粒子群优化算法(PSO) |
| 4.2.4 基于PSO的C均值(K均值)染色体显微图像分割 |
| 4.2.5 Kalman预测机 |
| 5 染色体显微图像的分析 |
| 5.1 染色体图像分析技术进展 |
| 5.1.1 人工图像处理分析技术 |
| 5.1.2 计算机图像分析处理技术 |
| 5.2 经典分析方法比较 |
| 5.3 基于成对几何直方图(PGH)的形状分析 |
| 5.3.1 形状描述符 |
| 5.3.2 基于成对几何直方图(PGH)的染色体形状分析 |
| 5.3.3 染色体的偏心率和圆形度计算 |
| 6 总结与展望 |
| 参考文献 |
| 攻读工程硕士期间所发表的文章 |
| 个人简历 |
| 致谢 |
（10）模糊理论与隐马尔科夫模型在图像处理中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 图像分割的算法综述 |
| 1.2.1 基于区域的分割算法 |
| 1.2.2 基于边缘的分割算法 |
| 1.2.3 结合其它方法的分割算法 |
| 1.2.4 图像分割的有效性评价函数 |
| 1.3 图像识别的基本方法 |
| 1.3.1 基于贝叶斯决策理论的分类器 |
| 1.3.2 基于神经网络的图像识别方法 |
| 1.3.3 基于支持向量机的图像识别 |
| 1.3.4 图像识别结果的评价 |
| 1.4 本文的内容安排 |
| 第二章 模糊理论与隐马尔科夫模型及其在图像处理中的应用 |
| 2.1 模糊理论基础及其在图像分割中的应用 |
| 2.1.1 模糊集合及隶属函数 |
| 2.1.2 模糊聚类 |
| 2.1.3 模糊 C 均值（FCM）算法 |
| 2.1.4 模糊理论技术在图像分割中的应用 |
| 2.2 隐马尔科夫模型理论基础及其在图像处理中的应用 |
| 2.2.1 隐马尔可夫模型 |
| 2.2.2 隐马尔可夫模型的三个基本问题 |
| 2.2.3 隐马尔可夫模型在图像处理中的应用 |
| 第三章 结合空间邻域信息的 FCM 遥感图像分割算法 |
| 3.1 引言 |
| 3.2 模糊 C 均值（FCM）算法 |
| 3.3 结合空间邻域信息的 FCM 遥感图像分割方法 |
| 3.3.1 引入噪声影响因子β |
| 3.3.2 结合空间邻域信息的 FCM 遥感图像分割算法步骤 |
| 3.4 实验结果与分析 |
| 3.4.1 图像分割结果 |
| 3.4.2 算法的有效性评价函数 |
| 3.4.3 算法的迭代次数 |
| 3.4.4 噪声影响因子β对分割结果的影响 |
| 3.5 结论 |
| 第四章 基于微正则退火与改进型FCM 结合的遥感图像分割算法 |
| 4.1 引言 |
| 4.2 结合空间邻域信息的遥感图像分割算法步骤 |
| 4.3 基于微正则退火与改进型FCM 结合的遥感图像分割算法 |
| 4.3.1 微正则退火算法原理 |
| 4.3.2 基于微正则退火与改进型 FCM 结合的遥感图像分割算法实现 |
| 4.4 实验结果与分析 |
| 4.4.1 图像分割结果 |
| 4.4.2 算法的有效性评价函数 |
| 4.4.3 算法的迭代次数 |
| 4.4.4 算法稳定性比较 |
| 4.5 结论 |
| 第五章 基于图元的隐马尔科夫模型和粒子群优化算法的手写数字识别 |
| 5.1 引言 |
| 5.2 理论知识的介绍 |
| 5.2.1 图元的定义 |
| 5.2.2 粒子群优化算法（PSO）的原理 |
| 5.3 基于HMM 和PSO 的手写数字识别模型 |
| 5.3.1 特征提取 |
| 5.3.2 基于 PSO 的 HMM 参数估计算法 |
| 5.4 基于HMM 和PSO 的手写数字识别算法的设计与实现 |
| 5.4.1 模型选定 |
| 5.4.2 识别算法流程 |
| 5.5 实验结果与讨论 |
| 5.6 结论 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 致谢 |
| 攻读硕士研究生期间发表论文的情况 |
| 参考文献 |
四、基于模糊理论和人工神经网络的染色体分析（论文参考文献）
- [1]人类染色体图像自动分类方法研究[D]. 邱俊玮. 四川大学, 2021(02)
- [2]面向染色体信息数据的交互式处理识别系统研究[D]. 齐成超. 青海师范大学, 2021(09)
- [3]人类染色体核型分析的中轴细化算法和分类模型[D]. 赵超浩. 郑州大学, 2020(02)
- [4]基于染色体特征增强表达的自动核型分析研究[D]. 丁威. 上海交通大学, 2020(09)
- [5]人类染色体图像核型分析系统的研究与实现[D]. 吴思. 中南财经政法大学, 2019(09)
- [6]智能染色体分析辅助系统[D]. 张正鹏. 青海师范大学, 2020(02)
- [7]基于机器视觉的水果外部品质检测技术研究 ——以青脆李和贡柑为例[D]. 赵禹. 华南农业大学, 2017(08)
- [8]碳纤维织造经纱损伤状态的图像检测研究[D]. 张佳南. 东华大学, 2016(02)
- [9]染色体显微图像分割与分析技术的研究[D]. 于海峰. 中国海洋大学, 2012(08)
- [10]模糊理论与隐马尔科夫模型在图像处理中的应用研究[D]. 廖燕. 新疆大学, 2011(05)