| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景、目的和意义 | 第10-11页 |
| ·研究现状 | 第11-14页 |
| ·研究内容与创新点 | 第14-15页 |
| ·论文的组织结构 | 第15-16页 |
| 第二章 医学图像特征及其提取 | 第16-36页 |
| ·医学图像的特征 | 第16-17页 |
| ·定量特征与定性特征 | 第16-17页 |
| ·全局特征与局部特征 | 第17页 |
| ·医学图像的颜色特征提取 | 第17-20页 |
| ·灰度直方图特征提取 | 第17-19页 |
| ·颜色矩特征提取 | 第19-20页 |
| ·颜色特征提取的优缺点 | 第20页 |
| ·医学图像的纹理特征提取 | 第20-29页 |
| ·纹理的定义 | 第20-21页 |
| ·纹理特征提取中的统计方法 | 第21-27页 |
| ·纹理特征提取中的频谱方法 | 第27-29页 |
| ·医学图像的形状特征及主要的提取方法 | 第29-33页 |
| ·基于区域的形状特征提取 | 第29-31页 |
| ·基于边界的形状特征提取 | 第31-33页 |
| ·形状特征提取的缺点 | 第33页 |
| ·医学图像的其他特征提取方法 | 第33-35页 |
| ·聚类特征提取 | 第33-34页 |
| ·语义特征提取 | 第34-35页 |
| ·本章小节 | 第35-36页 |
| 第三章 小波变换 | 第36-40页 |
| ·小波变换的理论基础 | 第36-38页 |
| ·连续小波变换 | 第36-37页 |
| ·离散小波变换 | 第37-38页 |
| ·小波变换的恒Q性质 | 第38-39页 |
| ·本章小节 | 第39-40页 |
| 第四章 基于旋转不变算子的Gabor小波纹理特征及其提取 | 第40-48页 |
| ·基于Gabor小波的分析方法 | 第40-41页 |
| ·Gabor变换简介 | 第40页 |
| ·Gabor小波变换理论 | 第40-41页 |
| ·基于旋转不变算子的Gabor小波变换 | 第41-44页 |
| ·理论基础 | 第41-44页 |
| ·算法描述 | 第44页 |
| ·基于旋转不变算子的Gabor纹理特征及其提取 | 第44-47页 |
| ·本章小节 | 第47-48页 |
| 第五章 基于支持向量机的分类器 | 第48-59页 |
| ·支持向量机理论背景 | 第48-50页 |
| ·支持向量机的核心思想 | 第50-51页 |
| ·支持向量机原理 | 第51-55页 |
| ·支持向量定义 | 第51页 |
| ·线性可分情况 | 第51-52页 |
| ·线性不可分情况 | 第52-53页 |
| ·内积核函数 | 第53-54页 |
| ·SVM的本质优点 | 第54页 |
| ·Matlab中SVM工具箱介绍 | 第54-55页 |
| ·支持向量机原理和神经网络的性能比较 | 第55-58页 |
| ·SVM与神经网络的相似性 | 第55-56页 |
| ·SVM的优势 | 第56-58页 |
| ·本章小节 | 第58-59页 |
| 第六章 基于加权度的医学图像纹理特征分类器 | 第59-69页 |
| ·标准支持向量机理论分析 | 第59-62页 |
| ·类的加权度算法 | 第62-63页 |
| ·样本的加权度算法 | 第63-66页 |
| ·线性可分情况下的确定方法 | 第64-65页 |
| ·非线性可分情况下的确定方法 | 第65-66页 |
| ·基于加权度的医学图像纹理特征分类器 | 第66-68页 |
| ·本章小节 | 第68-69页 |
| 第七章 总结与展望 | 第69-71页 |
| ·论文总结 | 第69-70页 |
| ·下一步工作 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 读研期间发表和录用论文 | 第75-76页 |
| 读硕期间参与的项目 | 第76页 |