学习与总结阅读文献大体分类为：图像分割算法、有关小波变换算法、有关深度神经网络的图像识别算法图像预处理输入图像图像分割特征提取分类识别结果输出图像处理流程图阈值分割法、区域生长法、基于边缘的分割方法、分水岭分割、聚类分割、基于活动轮廓的分割方法、数学形态学法、基于曲线演化理论的图像分割方法（CV模型）图像分割算法小波变换在图像处理中的应用图像压缩图像降噪图像增强图像融合①图像信号的小波分解②对分解后的高频系数进行阈值量化③重构图像信号利用小波变换具有优良的时频局部化性能，自身具备多分辨率图像表示性能图像进行小波分解后，对低频系数进行增强，对高频系数进行弱化两幅图像分别进行小波分解，对高频分量和低频分量分别进行融合，最后进行小波重构，得到新图像。基于小波变换的边缘检测基于小波变换与数学形态学的边缘检测过程：①将图像进行小波分解②将高频部分通过小波变换得到高频边缘；将低频部分通过数学形态学方法得到低频边缘③将低频与高频边缘重构，得到边缘结果图；将低频边缘重构得到低频结果图④利用得到的低频结果图对边缘结果图进行过滤操作得到边缘图像神经网络优点：可并行处理图像信息，处理速度比传统算法快；自适应能力强；可处理图像中的非线性问题；可预处理图像中的噪声或杂质数据反传网络（BP网络）BP网络是按照误差反向传播的多层前馈神经网络，以梯度搜索技术减少输入值和输出值的误差均方差。BP网络结构：输入层、隐层、输出层BP神经网络结构应用：手写字体识别、ImageNet图像分类、医学图像分割、人工智能卷积神经网络卷积神经网络是基于动物视觉感受野设计而成，由卷积层、池化层和其他层构成。卷积神经网络结构及过程示意图卷积神经网络卷积层卷积层最重要的部分是卷积核。卷积操作是用一个卷积核与图像对应区域进行卷积得到一个值，然后不断的移动卷积核和求卷积，就可完成对整个图像的卷积。二维卷积示意图池化层池化层通常紧随卷积层之后使用，其作用是简化卷积层的输出。池化过程也就是子采样过程，子采样能够简化网络模型，降低其复杂程度，从而缩减参数。池化层操作示意比较常用的池化方法是最大池化（max-pooling）和均值池化（mean-pooling）采用max-pooling能够保证特征的位置和旋转不变性,减少卷积层参数误差造成估计均值的偏移，更多的保持特征信息。全连接层全连接层的目的是将网络学习到的特征映射到样本的标记空间中。全连接层会把卷积输出的二维特征图（featureMap）转化成一个一维的向量。全连接层的作用是对信息进行整理和合并。深度卷积神经网络在图像识别算法中的研究与实现图中为迭代1000次，每50次迭代就在测试集上测试一次训练学习的网络，输出损失值和准确率。对于每200次迭代，取一次当前状态的快照。最终通过调整设定参数，找到最优参数，该模型对图像的平均识别率最高，达到92.50%。粪便镜检图像中红白细胞的分割与识别方法针对粪便镜检图像中具有弱边界的红、白细胞的识别问题，研究了基于Chan-Vese模型的兼顾邻域区域边缘和纹理综合信息的分割方法。用八向Sobel弥补透明细胞的模糊边缘，通过细胞域内纹理和边缘信息互补而采用兼顾全局和局部能量分布的Chan-Vese模型的分割方法，并采用具备更好的数据泛化作用的随机决策森林进行分类。实验证明，提出的兼顾边界与域内纹理的改进型Chan-Vese分割方法使粪便镜检图像中红、白细胞的分割精度达到了95.3%。
