| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状与分析 | 第11-14页 |
| 1.2.1 超级像素分割的研究现状与分析 | 第11-12页 |
| 1.2.2 稀疏编码的研究现状与分析 | 第12页 |
| 1.2.3 神经网络的研究现状与分析 | 第12-13页 |
| 1.2.4 黑色素瘤纹理分类的研究现状与分析 | 第13-14页 |
| 1.3 研究目标与研究内容 | 第14-15页 |
| 1.3.1 研究目标 | 第14页 |
| 1.3.2 研究内容 | 第14-15页 |
| 1.4 论文的结构安排 | 第15-16页 |
| 第二章 基于皮肤镜图像的黑色素瘤纹理模式分类 | 第16-22页 |
| 2.1 纹理分类的基本概念 | 第16-17页 |
| 2.2 黑色素瘤的纹理模式分类 | 第17-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于超级像素的黑色素瘤皮肤镜图像分割 | 第22-32页 |
| 3.1 超级像素分割算法 | 第22-23页 |
| 3.2 SLIC超级像素分割算法 | 第23-28页 |
| 3.2.1 颜色空间转换 | 第25-26页 |
| 3.2.2 迭代聚类过程 | 第26-28页 |
| 3.3 基于SLIC算法改进的SLICO算法 | 第28-30页 |
| 3.4 基于SLICO算法的黑色素瘤皮肤镜图像分割 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于稀疏编码的黑色素瘤纹理分类 | 第32-48页 |
| 4.1 超级像素纹理特征的提取 | 第32-38页 |
| 4.1.1 灰度共生矩阵 | 第33-34页 |
| 4.1.2 局部二值模式 | 第34-37页 |
| 4.1.3 Gabor滤波器 | 第37-38页 |
| 4.2 超级像素纹理特征的稀疏编码 | 第38-42页 |
| 4.2.1 稀疏编码的基本概念 | 第38-39页 |
| 4.2.2 纹理特征的稀疏编码 | 第39-41页 |
| 4.2.3 纹理特征的组稀疏编码 | 第41-42页 |
| 4.3 超级像素的纹理分类 | 第42-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于卷积神经网络的黑色素瘤纹理分类 | 第48-60页 |
| 5.1 卷积神经网络 | 第48-53页 |
| 5.1.1 卷积神经网络的基本概念 | 第48-49页 |
| 5.1.2 卷积神经网络的特点 | 第49-50页 |
| 5.1.3 卷积神经网络的结构 | 第50-53页 |
| 5.2 卷积神经网络模型 | 第53-57页 |
| 5.2.1 VGGNet | 第53-54页 |
| 5.2.2 ResNet | 第54-56页 |
| 5.2.3 GoogLeNetXception | 第56-57页 |
| 5.3 基于卷积神经网络的黑色素瘤纹理分类 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 实验结果与分析 | 第60-70页 |
| 6.1 实验数据集描述 | 第60-61页 |
| 6.2 评价标准 | 第61-62页 |
| 6.3 实验结果与分析 | 第62-69页 |
| 6.3.1 黑色素瘤皮肤镜图像超级像素分割实验结果与分析 | 第62-64页 |
| 6.3.2 基于稀疏编码的黑色素瘤纹理分类实验结果与分析 | 第64-66页 |
| 6.3.3 基于卷积神经网络的黑色素瘤纹理分类实验结果与分析 | 第66-69页 |
| 6.4 本章小结 | 第69-70页 |
| 第七章 总结与展望 | 第70-71页 |
| 7.1 论文工作总结 | 第70页 |
| 7.2 未来工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
