生物工程學(xué)的研究過程中有大量的工作是關(guān)于觀測和記錄實(shí)驗(yàn)對(duì)象的狀態(tài)變化,這耗費(fèi)了研究者大量的時(shí)間。隨著視頻攝像技術(shù)的發(fā)展,研究者不用實(shí)時(shí)的觀察和記錄,而可以在分段的時(shí)間內(nèi),調(diào)出視頻來進(jìn)行信息記錄工作。這在某種程度上減輕了研究者的工作壓力,但是對(duì)于工作量的減輕幫助較小。因?yàn)檠芯空咴谝欢ǖ臅r(shí)間段內(nèi)只能關(guān)注一個(gè)生物個(gè)體,因此記錄生物群落中的所有實(shí)驗(yàn)信息需要花費(fèi)大量的時(shí)間。對(duì)于單個(gè)個(gè)體的觀察研究,主要目的是檢測和分類任何狀態(tài)變化。借助圖像分割技術(shù),可以將觀測目標(biāo)從視頻中分割出來,再建立相應(yīng)的數(shù)學(xué)模型,直接得到需要的觀測信息。這就比較大程度的減輕了研究者的工作量,使得研究者可以有更多的時(shí)間投入到高智力的研究工作中。自從提出圖像分割以來,出現(xiàn)了許多方法。這些方法可以分為三大類:基于區(qū)域的、基于邊緣的和基于特殊理論的分割。基于區(qū)域的分割將圖像分割為多個(gè)區(qū)域。每個(gè)區(qū)域的內(nèi)部都有一個(gè)特定的特征,作為區(qū)分不同區(qū)域的規(guī)則。閾值分割是目前應(yīng)用最為廣泛的一種基于區(qū)域的分割方法。其它一些著名的基于區(qū)域的分割方法有區(qū)域增長法、分割合并法和聚類法。在圖像分割過程中,灰度不均勻現(xiàn)象是出現(xiàn)于視頻圖像中的一個(gè)常見的現(xiàn)象,這會(huì)... 

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
Abstract (In Chinese)
Abstract (In English)
Chapter 1 Introduction
    1.1 Motivation, background and significance
    1.2 Current research situation
        1.2.1 International research
        1.2.2 Research in China
    1.3 Summary
Chapter 2 Theory and definition
    2.1 Image denoising
        2.1.1 TV model
        2.1.2 RLO model
    2.2 Image segmentation based on edge detection
        2.2.1 Snake model
        2.2.2 Geodesic active contour(GAC)model
        2.2.3 Level set method
        2.2.4 Variational level set method
        2.2.5 Model with prior shape information
    2.3 Image segmentation based on region growing
        2.3.1 Mumford-Shah(M-S)model
        2.3.2 Two phase Chan-Vese(C-V)model
        2.3.3 Multiphase Chan-Vese model
    2.4 Summary
Chapter 3 Researches on vestibule-ocular behaviors in Zebrafish larvae video
    3.1 The Zebrafish problem and its difficulties
    3.2 Image segmentation on Zebrafish video
        3.2.1 Multiphase C-V model using edge information apply to Zebrafish video
        3.2.2 Multiphase C-V model using edge information and prior shape information apply to Zebrafish video
    3.3 Information extraction based on the image segmentation
        3.3.1 Frequency information about optokinetic response
        3.3.2 Angle information about optokinetic response
    3.4 Summary
Conclusions(In English)
Conclusions(In Chinese)
References
Acknowledgements


【參考文獻(xiàn)】：
期刊論文
[1]基于聚類的圖像分割方法綜述[J]. 趙祥宇,陳沫涵.  信息技術(shù). 2018(06)
[2]基于預(yù)測的多特征融合Mean-Shift跟蹤算法[J]. 郭宇,郝曉燕,張興忠.  計(jì)算機(jī)科學(xué). 2018(S1)
[3]基于改進(jìn)Otsu算法的生菜葉片圖像分割方法[J]. 孫俊,宋佳,武小紅,李玉婷.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]基于狼群算法與二維最大熵的圖像分割[J]. 陳超,宣士斌,雷紅軒.  計(jì)算機(jī)工程. 2018(01)
[5]基于四通道不可分小波的均值漂移目標(biāo)跟蹤方法[J]. 劉斌,鄭凱凱.  量子電子學(xué)報(bào). 2018(01)
[6]基于同質(zhì)直方圖和DS證據(jù)理論的彩色圖像分割研究[J]. 陸小妍,周嘯虎,張子齊.  中國醫(yī)療設(shè)備. 2018(01)
[7]基于位錯(cuò)理論的距離正則化水平集圖像分割算法[J]. 張帆,張新紅.  自動(dòng)化學(xué)報(bào). 2018(05)
[8]基于記憶分子動(dòng)理論優(yōu)化算法的多目標(biāo)截面投影Otsu圖像分割[J]. 肖樂意,歐陽紅林,范朝冬.  電子與信息學(xué)報(bào). 2018(01)
[9]融合SVM和快速均值漂移的圖像分割算法[J]. 趙勝男,王文劍.  小型微型計(jì)算機(jī)系統(tǒng). 2017(07)
[10]基于證據(jù)馬爾可夫隨機(jī)場模型的圖像分割[J]. 張喆,韓德強(qiáng),楊藝.  控制與決策. 2017(09)



本文編號(hào)：3681724