基于支持向量机的医学图像相关技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-21页 |
| ·课题研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-18页 |
| ·支持向量机发展现状 | 第13-17页 |
| ·医学图像处理国内外研究现状 | 第17-18页 |
| ·本文的研究工作与组织结构 | 第18-20页 |
| ·本文主要研究工作 | 第18-19页 |
| ·本文组织结构 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第2章 支持向量机基本理论 | 第21-33页 |
| ·机器学习的一般理论 | 第21-22页 |
| ·统计学习基本理论 | 第22-26页 |
| ·学习过程一致性的条件 | 第22-23页 |
| ·函数集的 VC 维 | 第23-24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化原则 | 第25-26页 |
| ·支持向量机原理 | 第26-32页 |
| ·线性可分的支持向量机 | 第27-29页 |
| ·线性不可分的支持向量机 | 第29-31页 |
| ·核函数 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于支持向量机的医学图像分割算法研究 | 第33-42页 |
| ·图像分割的基本理论 | 第33-36页 |
| ·图像分割的主要方法 | 第34-35页 |
| ·图像分割发展趋势 | 第35-36页 |
| ·基于支持向量机的医学图像分割 | 第36-38页 |
| ·训练样本的选取 | 第37页 |
| ·分割参数选择设置 | 第37-38页 |
| ·SVM 工具箱 | 第38页 |
| ·实验结果分析 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 肺部肿瘤 CT 图像的特征提取 | 第42-57页 |
| ·选择感兴趣区域 | 第42-43页 |
| ·特征提取 | 第43-54页 |
| ·灰度特征提取 | 第44-46页 |
| ·纹理特征提取 | 第46-51页 |
| ·形态特征提取 | 第51-53页 |
| ·位置特征提取 | 第53-54页 |
| ·特征降维和归一化处理 | 第54-56页 |
| ·主成分分析 | 第54-56页 |
| ·归一化处理 | 第56页 |
| ·本章小结 | 第56-57页 |
| 第5章 基于支持向量机的医学图像识别 | 第57-70页 |
| ·分类器设计 | 第57-59页 |
| ·基于粒子群优化算法的 SVM 参数选择 | 第59-63页 |
| ·粒子群优化算法 | 第60页 |
| ·粒子群优化算法的原理 | 第60-61页 |
| ·粒子群算法优化 SVM | 第61-63页 |
| ·改进的粒子群算法优化 SVM | 第63-65页 |
| ·改进的粒子群优化算法 | 第63-64页 |
| ·改进的粒子群算法优化 SVM | 第64-65页 |
| ·算法的评价 | 第65页 |
| ·实验结果及分析 | 第65-68页 |
| ·本章小结 | 第68-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第78-79页 |
| 致谢 | 第79-80页 |
