开题报告内容
一． 选题背景与意义：
图像分割是利用像素间的相似性与不连续性，将图像划分成不同特征的区块，并从中提取出具有某种特征的区块。从数学角度看，各特征区域集合互不相交。 这是从图像处理到图像分析的关键步骤[1]。医学图像分割可以为医生临床治疗提供有效辅助，对生物医学图像的分析也起着至关重要的作用。
目前传统图像分割方法是基于图像像素的灰度特征，主要有基于阈值的分割、基于区域的分割（如区域提取方法）、基于边缘的分割(如边缘检测方法)[2]。传统分割方法要求分割目标与背景对比有明显的灰度不同，而人体生物组织复杂，灰度相差不明显，因此它们自适应能力较差，只适用于较简单的图像，对于复杂的医学图像有着各自的局限性，导致分割结果不如人意。而BP神经网络作为按照误差反向传播训练的多层前馈神经网络，具有自学习、自适应、鲁棒性强的特点[3]，拥有优良的模式分类能力与多维函数映射能力，广泛用于函数逼近、模式识别、遥感分析[4]、图像处理[5]等领域，BP神经网络用于医学图像分割工作中也可以取得良好效果，在研究中受到了广泛的重视。
二．拟解决的问题
图像分割领域迄今为止已有许多种不同的方法与研究成果，但由于图像本身复杂度不一，没有一种算法适用于所有图像。鉴于医学图像本身存在灰度不均匀、个体差异、复杂多样等特点[6]，可以利用人工神经网络模型通过模仿人脑神经的结构实行大规模并行计算。BP神经网络是美国数学家Rumelhart和McClelland于1986年提出的一种基于学习规则的有监督型人工神经网络训练方法。该算法将正向传播的输入信号经过隐含层作用于输出节点，经过非线性变换产生输出信号。若与期望输出不相符，则进行误差的反向传播，通过调整输入节点与隐层节点，隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，反复学习训练后，确定与最小误差相对应的网络参数(权值和阈值)[7]。但BP神经网络存在学习速度慢，易陷入局部极小值等缺陷[7]21，本课题拟通过研究BP算法的原理及现有的一系列改进技术，进行对比分析，总结各自的优缺点，为今后BP神经网络算法的研究探明方向，使其更好的应用于图像分割领域。
三．研究方法及研究步骤
1. 文献查阅
阅读国内外大量有关神经网络与医学图像处理的文献，了解了图像处理算法的发展过程与主要原理，选取最经典的BP神经网络算法进行医学图像分割的研究。
2. 实验验证BP神经网络算法用于医学图像分割
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
