摘要 | 第2-3页 |
abstract | 第3页 |
第一章 绪论 | 第6-10页 |
1.1 研究目的与意义 | 第6-7页 |
1.2 国内外研究动态 | 第7-9页 |
1.2.1 肝脏超声图像分类的研究动态 | 第7-8页 |
1.2.2 稀疏表示的研究动态 | 第8-9页 |
1.3 主要工作及章节安排 | 第9-10页 |
第二章 肝病识别与特征提取 | 第10-26页 |
2.1 样本选取及预处理 | 第10-11页 |
2.2 特征提取 | 第11-16页 |
2.2.1 LBP特征 | 第11-13页 |
2.2.2 HOG特征 | 第13-14页 |
2.2.3 灰度共生矩阵 | 第14-16页 |
2.2.4 Gabor小波 | 第16页 |
2.2.5 主成分分析 | 第16页 |
2.3 特征融合 | 第16-17页 |
2.4 特征选择 | 第17-20页 |
2.4.1 Bagging | 第18页 |
2.4.2 随机森林 | 第18-20页 |
2.5 支持向量机 | 第20-22页 |
2.5.1 线性可分支持向量机 | 第20页 |
2.5.2 非线性可分支持向量机 | 第20-22页 |
2.5.3 多分类问题 | 第22页 |
2.6 不同模型SVM的比较 | 第22-24页 |
2.7 分类性能评价标准 | 第24-25页 |
2.8 本章小结 | 第25-26页 |
第三章 稀疏表示理论 | 第26-36页 |
3.1 什么是稀疏表示 | 第26-27页 |
3.2 字典的设计与构造 | 第27-29页 |
3.2.1 傅里叶字典 | 第27-28页 |
3.2.2 离散余弦字典 | 第28-29页 |
3.3 字典学习算法 | 第29-32页 |
3.3.1 K-SVD算法 | 第29-30页 |
3.3.2 MOD算法 | 第30-31页 |
3.3.3 SGK算法 | 第31-32页 |
3.4 不同字典学习算法的比较 | 第32-33页 |
3.5 稀疏表示分类原理 | 第33-34页 |
3.6 本章小结 | 第34-36页 |
第四章 基于稀疏表示的肝病识别 | 第36-47页 |
4.1 肝病识别系统 | 第36-37页 |
4.2 实验与分析 | 第37-46页 |
4.2.1 PCA降维与识别率的关系 | 第37-38页 |
4.2.2 K-SVD与SGK算法时间性能比较 | 第38页 |
4.2.3 探究字典尺寸对识别率的影响 | 第38-39页 |
4.2.4 DSSVM模型求解 | 第39-40页 |
4.2.5 基于支持向量机与基于稀疏表示的两类识别 | 第40-43页 |
4.2.6 基于稀疏表示的多类识别 | 第43-46页 |
4.3 本章小结 | 第46-47页 |
第五章 总结与展望 | 第47-48页 |
5.1 工作总结 | 第47页 |
5.2 工作展望 | 第47-48页 |
参考文献 | 第48-52页 |
攻读学位期间的研究成果 | 第52-53页 |
致谢 | 第53-54页 |