声明
摘要
1.1研究背景及研究意义
1.2国内外研究现状
1.3本论文的研究内容和组织结构
第2章婴幼儿脑MRI处理方法综述
2.1.1预处理阶段去除偏移场算法
2.1.2结合分割算法去除偏移场
2.2 MRI分割方法概述
2.2.1基于阈值的图像分割方法
2.2.2基于边缘的图像分割方法
2.2.3基于区域生长与分裂合并的图像分割算法
2.2.4基于神经网络的分割
2.3婴幼儿脑部MRI分割难点
2.3.1婴幼儿脑MRI的特点
2.3.2婴幼儿脑部MRI分割方法概述
2.4本章小结
第3章基于粗糙集滤波的偏移场去除算法
3.1偏移场模型
3.1.1传统的图像模型
3.1.2局部图像模型
3.2基于HUM模型的去偏移场方法
3.3基于粗糙集的去除偏移场算法模型
3.3.1粗糙集理论
3.3.2基于粗糙集的去除偏移场算法流程
3.4实验结果和分析
3.4.1人造偏移场实验结果
3.4.2真实脑图像实验结果
3.5本章小结
第4章基于粗糙集的高斯混合模型分割算法研究
4.1基于统计的分割算法研究现状
4.2高斯混合模型在图像分割的应用
4.2.1高斯混合模型
4.2.2 EM算法与GMM模型参数估计
4.3 Markov随机场与Gibbs随机场理论
4.3.1 Markov随机场理论
4.3.2 MRF与Gibbs分布
4.4基于粗糙集的高斯混合模型分割算法
4.4.1传统高斯混合模型的改进
4.4.2 k-means算法的改进
4.4.3基于粗糙集的高斯混合模型分割算法
4.5算法处理结果及对比分析
4.5.1图像分割效果评价标准
4.5.2实验结果分析
4.6本章小结
第5章基于改进的学生t分布脑图像分割算法
5.1聚类分割技术
5.1.1聚类分析的基本概念
5.1.2聚类算法
5.2基于有限混合模型的聚类算法
5.2.1空间变化有限混合模型与贝叶斯决策理论
5.2.2图像分割中的有限t混合模型
5.2.3梯度下降法
5.3结合偏移场矫正的学生t分布算法
5.3.1偏移场模型
5.3.2算法流程
5.4实验结果及分析
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