| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 引言 | 第9-10页 |
| 1.2 颅脑创伤概述和核磁共振脑组织图像特点 | 第10-13页 |
| 1.2.1 颅脑创伤概述 | 第10-11页 |
| 1.2.2 核磁共振脑组织图像特点 | 第11页 |
| 1.2.3 处理颅脑创伤图像的重要意义和面临的困难 | 第11-13页 |
| 1.3 颅脑创伤影像处理的国内外研究现状 | 第13-17页 |
| 1.3.1 图像分类的国内外研究现状 | 第13-15页 |
| 1.3.2 目标检测的国内外研究现状 | 第15-17页 |
| 1.4 论文的研究内容和组织结构 | 第17-20页 |
| 第二章 稀疏表示模型概述 | 第20-26页 |
| 2.1 稀疏表示理论研究 | 第20-22页 |
| 2.1.1 稀疏表示模型的提出 | 第20-21页 |
| 2.1.2 稀疏表示算法原理 | 第21-22页 |
| 2.2 稀疏表示模型的求解算法 | 第22-23页 |
| 2.2.1 凸松弛优化算法 | 第22-23页 |
| 2.2.2 贪婪算法 | 第23页 |
| 2.3 稀疏表示的研究意义 | 第23-24页 |
| 2.4 稀疏表示模型的应用 | 第24-25页 |
| 2.4.1 稀疏表示在分类器中的应用 | 第24页 |
| 2.4.2 稀疏表示在图像分类中的应用 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于稀疏表示的颅脑创伤影像的分类 | 第26-45页 |
| 3.1 颅脑创伤影像分类的难点 | 第26-28页 |
| 3.2 集成稀疏分类算法 | 第28-36页 |
| 3.2.1 被采样碎片的空间一致性 | 第30-31页 |
| 3.2.2 特征提取 | 第31-32页 |
| 3.2.3 基于稀疏表示的分类器 | 第32-34页 |
| 3.2.4 集成弱分类器实现切片的分类和对象的分类 | 第34-36页 |
| 3.3 实验 | 第36-44页 |
| 3.3.1 数据采集 | 第36页 |
| 3.3.2 图像预处理 | 第36-37页 |
| 3.3.3 计算AUC的P值 | 第37页 |
| 3.3.4 特征选择 | 第37-38页 |
| 3.3.5 使用单一分类器的结果 | 第38-40页 |
| 3.3.6 影响集成分类性能的因素 | 第40-43页 |
| 3.3.7 结果对比 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于RPCA的颅脑创伤部位的自动检测与提取 | 第45-65页 |
| 4.1 稳健主成分分析(RPCA)的基本原理 | 第45-46页 |
| 4.2 通过矩阵秩的最小化来实现图像的校正 | 第46-53页 |
| 4.2.1 矩阵的秩作为图像相似性的一种衡量方法 | 第46页 |
| 4.2.2 以角度误差来模拟区域变形 | 第46-48页 |
| 4.2.3 基于凸优化的实用解决方案 | 第48-51页 |
| 4.2.4 收敛和最优化 | 第51-52页 |
| 4.2.5 通过增广拉格朗日乘子有效解决RASL问题 | 第52-53页 |
| 4.3 基于RPCA的脑创伤部位的检测及提取 | 第53-55页 |
| 4.4 脑创伤实验结果 | 第55-63页 |
| 4.4.1 同一脑部断层不同创伤部位图像 | 第55-57页 |
| 4.4.2 平移旋转同一脑部断层 | 第57-58页 |
| 4.4.3 模拟不同病人同一断层上的图像 | 第58-60页 |
| 4.4.4 与现存算法的对比 | 第60-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 本文工作总结 | 第65页 |
| 5.2 后续工作展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间的研究成果 | 第72页 |
