| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| ·独立分量分析的发展及现状 | 第8页 |
| ·CT成像 | 第8-9页 |
| ·本文研究的主要内容 | 第9-11页 |
| 第二章 独立分量分析理论的基础知识 | 第11-30页 |
| ·多元数据的线性表示 | 第11-13页 |
| ·主分量分析 | 第13-17页 |
| ·主分量分析的基本概念 | 第13-16页 |
| ·主分量分析的缺点 | 第16-17页 |
| ·盲源分离 | 第17-19页 |
| ·盲源分离技术的发展 | 第17-18页 |
| ·人工神经网络 | 第18-19页 |
| ·独立分量分析的线性模型 | 第19-26页 |
| ·线性模型的分析 | 第19-20页 |
| ·独立分量分析的假设条件 | 第20-21页 |
| ·独立分量分析无法确定的因素 | 第21-22页 |
| ·不相关和白化 | 第22-26页 |
| ·独立分量分析与传统统计方法的关系 | 第26-30页 |
| 第三章 独立分量分析的算法研究 | 第30-39页 |
| ·信息极大化 | 第30-33页 |
| ·微分熵 | 第30-31页 |
| ·联合熵 | 第31页 |
| ·基于信息极大化的算法 | 第31-33页 |
| ·非高斯性极大化 | 第33-36页 |
| ·基于峰度的独立分量分析学习算法 | 第34-35页 |
| ·基于负熵的独立分量分析学习算法 | 第35-36页 |
| ·极大似然估计 | 第36-37页 |
| ·互信息极小化 | 第37-39页 |
| 第四章 CT图像的仿真 | 第39-42页 |
| ·蒙特卡罗方法 | 第39-40页 |
| ·仿真过程及仿真条件 | 第40-42页 |
| 第五章 独立分量分析在图像特征提取CT图像消噪中的应用 | 第42-56页 |
| ·引言 | 第42-43页 |
| ·ICA在混合图像分离中的应用 | 第43-45页 |
| ·图像特征提取及消噪 | 第45-56页 |
| ·图像特征提取 | 第46-48页 |
| ·自然图像的消噪 | 第48-52页 |
| ·CT图像的消噪 | 第52-53页 |
| ·实验结果 | 第53-56页 |
| 第六章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 作者完成的论文 | 第63-64页 |
| 致谢 | 第64页 |