| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 背景和意义 | 第8页 |
| 1.2 研究现状 | 第8-11页 |
| 1.2.1 现有的酵母菌出芽率计算方法之间的对比 | 第8-9页 |
| 1.2.2 衍射图像分类的机器学习方法 | 第9-11页 |
| 1.3 本文的主要创新点 | 第11页 |
| 1.4 本文的主要工作和章节安排 | 第11-14页 |
| 第2章 酵母菌培养和衍射成像流式细胞仪实验 | 第14-26页 |
| 2.1 酵母菌简介 | 第14-17页 |
| 2.1.1 酵母菌的生殖方式 | 第14-15页 |
| 2.1.2 酵母菌培养 | 第15-16页 |
| 2.1.3 显微镜下酵母菌出芽率的人工统计 | 第16-17页 |
| 2.2 衍射成像流式细胞仪实验 | 第17-24页 |
| 2.2.1 衍射成像流式细胞仪系统概述 | 第17-20页 |
| 2.2.2 衍射成像流式细胞仪实验步骤 | 第20-21页 |
| 2.2.3 酵母菌衍射图像的基本信息 | 第21页 |
| 2.2.4 酵母菌衍射图像预处理 | 第21-23页 |
| 2.2.5 酵母菌分类器训练数据的获取 | 第23-24页 |
| 2.3 小结 | 第24-26页 |
| 第3章 酵母菌衍射图像纹理特征的提取 | 第26-40页 |
| 3.1 纹理分析概述 | 第26-27页 |
| 3.2 酵母菌衍射图像的灰度共生矩阵特征 | 第27-40页 |
| 3.2.1 灰度共生矩阵特征 | 第27-29页 |
| 3.2.2 酵母菌衍射图的GLCM特征的相关性分析 | 第29-30页 |
| 3.2.3 酵母菌衍射图的GLCM特征的d的选择 | 第30-33页 |
| 3.2.4 酵母菌衍射图的GLCM特征的θ的选择 | 第33-40页 |
| 第4章 酵母菌衍射图像分类的机器学习算法 | 第40-60页 |
| 4.1 机器学习方法概论 | 第40-43页 |
| 4.1.1 机器学习的基本概念 | 第40-41页 |
| 4.1.2 机器学习三要素 | 第41-42页 |
| 4.1.3 模型评估与模型选择 | 第42-43页 |
| 4.2 酵母菌出芽率测量涉及的机器学习方法 | 第43-50页 |
| 4.2.1 K近邻(KNN,K-NearestNeighbor) | 第43-44页 |
| 4.2.2 朴素贝叶斯(Na?ve Bayes) | 第44-45页 |
| 4.2.3 逻辑斯蒂回归(Logistic Regression) | 第45-46页 |
| 4.2.4 决策树(Decision Tree) | 第46-47页 |
| 4.2.5 支持向量机(Support Vector Machine,SVM) | 第47-49页 |
| 4.2.6 集成学习(Ensemble) | 第49-50页 |
| 4.3 酵母菌衍射图像分类器算法比较分析 | 第50-53页 |
| 4.4 DIBM算法的有效性分析 | 第53-56页 |
| 4.5 酵母菌出芽率计算软件说明 | 第56-59页 |
| 4.6 小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 全文总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 发表论文和参加科研情况说明 | 第68-70页 |
| 致谢 | 第70页 |
