基于机器学习的皮肤病图像分类
| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 病理图像分析 | 第14-15页 |
| 1.2.2 深度学习和迁移学习 | 第15-17页 |
| 1.3 论文的主要内容与内容组织结构 | 第17-19页 |
| 1.3.1 本文主要工作和贡献 | 第17-18页 |
| 1.3.2 论文组织结构 | 第18-19页 |
| 第2章 皮肤病图像数据集和图像预处理 | 第19-30页 |
| 2.1 引言 | 第19页 |
| 2.2 皮肤病数据集 | 第19-22页 |
| 2.2.1 皮肤镜图像数据集 | 第19-20页 |
| 2.2.2 皮肤病临床图像数据集 | 第20-22页 |
| 2.3 皮肤病图像的预处理 | 第22-28页 |
| 2.3.1 基于高斯滤波的图像去噪算法 | 第23-24页 |
| 2.3.2 基于YUV色彩空间的图像增强算法 | 第24-27页 |
| 2.3.3 基于双线性插值的毛发消除算法 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于多特征融合的皮肤病临床图像分类算法 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 图像特征 | 第30-34页 |
| 3.2.1 纹理特征 | 第30-32页 |
| 3.2.2 形状特征 | 第32-34页 |
| 3.2.3 颜色特征 | 第34页 |
| 3.3 多特征融合 | 第34-36页 |
| 3.4 支持向量机 | 第36-39页 |
| 3.4.1 支持向量机原理 | 第36-37页 |
| 3.4.2 多类分类器 | 第37-39页 |
| 3.5 实验结果与分析 | 第39-42页 |
| 3.5.1 单特征的皮肤病分类结果分析 | 第39-40页 |
| 3.5.2 多特征融合的皮肤病分类结果分析 | 第40-42页 |
| 3.5.3 不同数据集的实验结果分析 | 第42页 |
| 3.6 本章小结 | 第42-44页 |
| 第4章 基于深度学习的皮肤病图像分类算法 | 第44-66页 |
| 4.1 引言 | 第44页 |
| 4.2 卷积神经网络 | 第44-49页 |
| 4.2.1 CNN的神经科学基础 | 第44-45页 |
| 4.2.2 CNN的结构基础 | 第45-48页 |
| 4.2.3 CNN的训练过程 | 第48-49页 |
| 4.3 深度学习训练技巧 | 第49-53页 |
| 4.3.1 损失函数 | 第49-50页 |
| 4.3.2 激活函数 | 第50-51页 |
| 4.3.3 过拟合问题的解决 | 第51-53页 |
| 4.4 深度学习模型 | 第53-58页 |
| 4.4.1 VGGNet | 第53-55页 |
| 4.4.2 ResNet | 第55-57页 |
| 4.4.3 DenseNet | 第57-58页 |
| 4.5 迁移学习 | 第58-60页 |
| 4.6 基于迁移学习的皮肤病分类结果分析 | 第60-63页 |
| 4.7 基于多尺度神经网络模型的皮肤病分类算法 | 第63-65页 |
| 4.8 本章小结 | 第65-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 个人简历、攻读硕士学位期间主要的学术成果 | 第72页 |
