| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 肝组织病理图像的获取和介绍 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 特征提取 | 第11-12页 |
| 1.3.2 分类方法 | 第12-13页 |
| 1.4 本文研究内容 | 第13-15页 |
| 第2章 相关技术介绍 | 第15-35页 |
| 2.1 纹理的概念与特性 | 第15-17页 |
| 2.1.1 纹理定义 | 第15-16页 |
| 2.1.2 纹理的分类 | 第16页 |
| 2.1.3 纹理的特性 | 第16-17页 |
| 2.2 纹理的描述方法 | 第17-23页 |
| 2.2.1 统计法 | 第17-19页 |
| 2.2.2 频谱法 | 第19-21页 |
| 2.2.3 模型法 | 第21页 |
| 2.2.4 结构法 | 第21页 |
| 2.2.5 结构与统计相结合的方法 | 第21-23页 |
| 2.3 极限学习机算法 | 第23-28页 |
| 2.3.1 前馈型神经网络模型 | 第23-26页 |
| 2.3.2 极限学习机算法原理 | 第26-28页 |
| 2.4 ELM与支持向量机SVM的比较 | 第28-31页 |
| 2.4.1 支持向量机原理 | 第28-30页 |
| 2.4.2 ELM与SVM的对比分析 | 第30-31页 |
| 2.5 差分优化算法介绍 | 第31-33页 |
| 2.6 本章小结 | 第33-35页 |
| 第3章 基于分形的纹理特征提取 | 第35-49页 |
| 3.1 分形维数介绍 | 第35-42页 |
| 3.1.1 分形维数概述 | 第35-36页 |
| 3.1.2 Hausdorff测度和维数 | 第36-37页 |
| 3.1.3 盒子维数和q-维数 | 第37-38页 |
| 3.1.4 多重分形 | 第38-40页 |
| 3.1.5 图像的分形维数与多重分形谱 | 第40-42页 |
| 3.2 改进的分形维数计算方法 | 第42-44页 |
| 3.3 基于改进的分形维数方法提取病理图像纹理特征 | 第44-47页 |
| 3.4 病理图像特征空间 | 第47-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 基于改进的ELM的肝癌图像识别 | 第49-59页 |
| 4.1 引言 | 第49页 |
| 4.2 模糊核聚类算法 | 第49-51页 |
| 4.3 KFCM结合ELM的分类算法 | 第51-53页 |
| 4.4 用差分进化算法优化的ELM模型 | 第53-58页 |
| 4.4.1 基于改进的ELM模型肝癌识别实验 | 第55-56页 |
| 4.4.2 实验结果与分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 肝癌识别系统设计与实现 | 第59-67页 |
| 5.1 需求分析 | 第59页 |
| 5.2 系统设计与实现 | 第59-62页 |
| 5.2.1 系统框架设计 | 第59-61页 |
| 5.2.2 系统模块设计 | 第61-62页 |
| 5.3 系统测试 | 第62-65页 |
| 5.3.1 系统实现 | 第62-65页 |
| 5.3.2 系统运行测试及结果分析 | 第65页 |
| 5.4 本章小结 | 第65-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |