| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 视网膜微动脉瘤检测技术的研究背景及意义 | 第10-13页 |
| 1.1.1 糖尿病性视网膜病变 | 第11-12页 |
| 1.1.2 视网膜血管瘤 | 第12-13页 |
| 1.2 国内外视网膜微动脉瘤检测技术的研究现状 | 第13-16页 |
| 1.3 本文的主要工作 | 第16-18页 |
| 第2章 视网膜微动脉瘤的候选集获取理论 | 第18-30页 |
| 2.1 视网膜图像的预处理技术 | 第18-22页 |
| 2.1.1 视网膜图像特性分析 | 第19-20页 |
| 2.1.2 视网膜图像预处理 | 第20-22页 |
| 2.2 视网膜微动脉瘤的粗提取理论 | 第22-29页 |
| 2.2.1 视网膜微动脉瘤的模板匹配算法 | 第23-25页 |
| 2.2.2 视网膜图像中血管的提取与剔除 | 第25-27页 |
| 2.2.3 区域生长 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于PCA和KPCA的微动脉瘤特征抽取算法 | 第30-52页 |
| 3.1 模式识别的基本概念 | 第30-33页 |
| 3.2 基于PCA的微动脉瘤特征抽取算法 | 第33-40页 |
| 3.2.1 主成分分析方法的基本思想及涵义 | 第33-35页 |
| 3.2.2 主成分分析方法的基本理论推导 | 第35-37页 |
| 3.2.3 主成分的确定方法 | 第37-38页 |
| 3.2.4 提取主成分的步骤 | 第38-40页 |
| 3.3 基于KPCA的微动脉瘤特征抽取算法 | 第40-44页 |
| 3.3.1 核函数的介绍 | 第40-42页 |
| 3.3.2 核主成分分析的理论推导 | 第42-43页 |
| 3.3.3 核主成分分析算法的实现步骤 | 第43-44页 |
| 3.4 构造分类器 | 第44-45页 |
| 3.5 实验仿真 | 第45-49页 |
| 3.6 本章小结 | 第49-52页 |
| 第4章 基于SVM的微动脉瘤特征分类算法 | 第52-70页 |
| 4.1 统计学习理论 | 第52-56页 |
| 4.1.1 机器学习 | 第52-53页 |
| 4.1.2 期望风险与经验风险 | 第53-54页 |
| 4.1.3 函数的VC维理论与推广性的界 | 第54-55页 |
| 4.1.4 结构风险最小化 | 第55-56页 |
| 4.2 支持向量机(SVM)算法 | 第56-64页 |
| 4.2.1 支持向量机 | 第57-58页 |
| 4.2.2 线性最优分类超平面 | 第58-61页 |
| 4.2.3 近似线性可分问题 | 第61-62页 |
| 4.2.4 线性不可分问题 | 第62-64页 |
| 4.3 参数优化 | 第64-66页 |
| 4.4 仿真结果分析 | 第66-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第5章 全文总结与展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 作者攻读硕士学位期间发表的论文 | 第80页 |