| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 引言 | 第8-13页 |
| ·X 射线图像分析的意义 | 第8-9页 |
| ·X 射线图像融合技术研究意义 | 第8-9页 |
| ·X 射线图像识别难度研究意义 | 第9页 |
| ·现有 X 射线图像融合技术概述 | 第9-10页 |
| ·现有 X 射线图像识别难度研究概述 | 第10-11页 |
| ·论文研究工作概述 | 第11-13页 |
| 第2章 基于人工神经网络的 X 射线图像融合 | 第13-47页 |
| ·人工神经网络基本结构与算法 | 第13-25页 |
| ·基本组成结构 | 第13-14页 |
| ·神经网络权重学习算法 | 第14-19页 |
| ·学习速率的自适应算法 | 第19-20页 |
| ·人工神经网络结构优化 | 第20-24页 |
| ·人工神经网络特点及应用范围 | 第24-25页 |
| ·人工神经网络在 X 射线图像融合中的应用 | 第25-45页 |
| ·物理过程分析 | 第25-26页 |
| ·对于 X 射线图像融合人工神经网络结构设计 | 第26-28页 |
| ·训练及测试样本采集 | 第28-31页 |
| ·神经网络学习算法性能比较 | 第31-34页 |
| ·OWO-HWO 学习速率优化 | 第34-36页 |
| ·神经网络结构优化设计 | 第36-40页 |
| ·融合模型的稳定性分析 | 第40-42页 |
| ·人工神经网络算法与传统算法融合效果比较 | 第42-45页 |
| ·本章小结 | 第45-47页 |
| 第3章 基于统计模型的 X 射线图像识别难度分析 | 第47-84页 |
| ·影响 X 射线图像识别难度的图像因子设计 | 第47-60页 |
| ·视角复杂度 | 第47-49页 |
| ·重叠效应 | 第49-50页 |
| ·纹理干扰 | 第50-60页 |
| ·X 射线图像识别难度主观评价实验 | 第60-63页 |
| ·基于方差分析检验图像因子对于识别难度影响的显著性 | 第63-73页 |
| ·方差分析技术 | 第63-69页 |
| ·三种图像因子显著性检验 | 第69-73页 |
| ·X 射线图像识别难度回归模型 | 第73-82页 |
| ·回归分析技术 | 第73-75页 |
| ·X 射线图像识别难度模型 | 第75-82页 |
| ·本章小结 | 第82-84页 |
| 第4章 论文研究总结与展望 | 第84-87页 |
| ·基于神经网络的 X 射线图像融合模型研究总结 | 第84-85页 |
| ·X 射线图像识别难度模型研究总结 | 第85页 |
| ·前景展望 | 第85-87页 |
| 参考文献 | 第87-90页 |
| 致谢 | 第90-91页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第91页 |