基于机器学习的图像解析方法的研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题背景和意义 | 第9-13页 |
| ·图像解析 | 第9-10页 |
| ·图像分割 | 第10-12页 |
| ·机器学习 | 第12-13页 |
| ·基于胃窥镜图像的病灶诊断 | 第13页 |
| ·国内外研究现状 | 第13-15页 |
| ·图像分割方面研究现状 | 第13-14页 |
| ·胃窥镜图像病灶诊断方面研究现状 | 第14-15页 |
| ·论文的主要工作 | 第15-17页 |
| 第二章 课题相关数据集的采集与建立 | 第17-25页 |
| ·原始图像数据 | 第18-19页 |
| ·标注图像数据 | 第19-20页 |
| ·实验样本数据集 | 第20-21页 |
| ·视频/图像标注解析系统 | 第21-24页 |
| ·标注解析系统的总体设计 | 第22-23页 |
| ·标注解析系统的交互式设计 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于边缘提取的图像分割算法研究 | 第25-32页 |
| ·能量模型 | 第25-26页 |
| ·最优路径搜索 | 第26-28页 |
| ·“角点”信息融合 | 第28-29页 |
| ·算法实现 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 胃窥镜图像特征描述符的提取 | 第32-43页 |
| ·颜色特征的提取 | 第32-37页 |
| ·RGB 颜色直方图特征的提取 | 第33-34页 |
| ·RG 颜色直方图特征的提取 | 第34-35页 |
| ·OPPO 颜色直方图特征的提取 | 第35-36页 |
| ·HUE 颜色直方图特征的提取 | 第36-37页 |
| ·纹理特征的提取 | 第37-40页 |
| ·LBP 纹理特征的提取 | 第37-40页 |
| ·基于统计信息的 LBP 纹理特征的提取 | 第40页 |
| ·不同特征描述符的分析与比较 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于机器学习的胃窥镜图像病灶解析 | 第43-61页 |
| ·基于超像素分割的样本区域划分 | 第43-45页 |
| ·SVM 分类器 | 第45-55页 |
| ·SVM 分类器的工作原理 | 第46-53页 |
| ·LIBSVM | 第53-55页 |
| ·训练与检测 | 第55-60页 |
| ·样本的训练与检测 | 第55-57页 |
| ·医学图像的病灶分析 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 结论 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 附录 A LIBSVM 参数设置 | 第66-67页 |
| 附录 B 运行界面 | 第67-68页 |
| 附录 C 病灶解析效果 | 第68-69页 |
| 在学研究成果 | 第69-70页 |
| 致谢 | 第70页 |
