| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题的提出及研究意义 | 第8页 |
| 1.2 国内外研究现状及发展趋势 | 第8-12页 |
| 1.2.1 图像分割方法的进展 | 第8-12页 |
| 1.2.2 图像纹理特征提取的进展 | 第12页 |
| 1.3 课题研究目标和内容 | 第12-13页 |
| 1.4 文章组织安排 | 第13-16页 |
| 第二章 医学图像的分割方法 | 第16-26页 |
| 2.1 主动轮廓分割法 | 第16-19页 |
| 2.1.1 参数主动轮廓模型 | 第17页 |
| 2.1.2 几何主动轮廓模型 | 第17-19页 |
| 2.2 阈值分割法 | 第19-22页 |
| 2.2.1 最大熵法 | 第19-20页 |
| 2.2.2 最大类间方差Otsu方法 | 第20页 |
| 2.2.3 最小交叉熵法 | 第20页 |
| 2.2.4 模糊熵法 | 第20-21页 |
| 2.2.5 最小误差法 | 第21-22页 |
| 2.3 基于区域的分割方法 | 第22-24页 |
| 2.3.1 区域生长分割法 | 第22-23页 |
| 2.3.2 分水岭法 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于水平集的人脑图像分割方法 | 第26-52页 |
| 3.1 水平集Chan-Vese模型 | 第26-27页 |
| 3.2 最大类间方差Otsu方法 | 第27页 |
| 3.3 基于水平集的人脑图像分割 | 第27-30页 |
| 3.3.1 去头骨处理 | 第27-28页 |
| 3.3.2 图像增强 | 第28-29页 |
| 3.3.3 Chan-Vese模型与Otsu方法结合的图像分割 | 第29-30页 |
| 3.4 算法步骤 | 第30-31页 |
| 3.5 实验结果与分析 | 第31-36页 |
| 3.5.1 实验用数据集 | 第31页 |
| 3.5.2 实验结果与分析 | 第31-36页 |
| 3.6 实验结果评估 | 第36-50页 |
| 3.7 本章小结 | 第50-52页 |
| 第四章 融合纹理特征与形状特征的病灶图像识别 | 第52-64页 |
| 4.1 纹理特征 | 第52-54页 |
| 4.1.1 灰度共生矩阵 | 第52-54页 |
| 4.1.2 灰度梯度共生矩阵 | 第54页 |
| 4.2 形状特征 | 第54-55页 |
| 4.2.1 基于Hough变换的特征 | 第54-55页 |
| 4.2.2 矩特征 | 第55页 |
| 4.3 融入两类特征的SVM分类 | 第55-56页 |
| 4.4 算法步骤 | 第56页 |
| 4.5 实验结果与分析 | 第56-63页 |
| 4.5.1 分类实验一 | 第62页 |
| 4.5.2 分类实验二 | 第62-63页 |
| 4.5.3 结果分析 | 第63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结和展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |