| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-13页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 人体内脏组织CT图像处理面临的挑战 | 第12-13页 |
| 1.3 论文内容和结构 | 第13-15页 |
| 第二章 人体内脏组织CT图像纹理特征提取及分类方法 | 第15-29页 |
| 2.1 引言 | 第15-16页 |
| 2.2 图像的特征描述 | 第16-17页 |
| 2.3 纹理特征提取方法 | 第17-24页 |
| 2.3.1 灰度共生矩阵 | 第17-19页 |
| 2.3.2 Gabor变换 | 第19-20页 |
| 2.3.3 小波变换 | 第20-22页 |
| 2.3.4 局部二值模式 | 第22-24页 |
| 2.4 图像分类方法 | 第24-28页 |
| 2.4.1 贝叶斯分类 | 第24-25页 |
| 2.4.2 神经网络 | 第25-26页 |
| 2.4.3 决策树分类 | 第26-27页 |
| 2.4.4 支持向量机 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 PWT-GLCM纹理特征提取及改进的KNN分类模型 | 第29-43页 |
| 3.1 引言 | 第29-30页 |
| 3.2 PWT-GLCM的纹理特征提取 | 第30-32页 |
| 3.2.1 PWT变换 | 第30-31页 |
| 3.2.2 PWT-GLCM纹理特征提取 | 第31-32页 |
| 3.3 KNN分类模型 | 第32-34页 |
| 3.3.1 KNN基本原理 | 第32-33页 |
| 3.3.2 KNN相似度函数 | 第33-34页 |
| 3.3.3 KNN分类器的缺点 | 第34页 |
| 3.4 使用主成分分析对KNN分类模型进行改进 | 第34-42页 |
| 3.4.1 主成分分析的原理与方法 | 第34-38页 |
| 3.4.2 PCA-KNN分类算法 | 第38-39页 |
| 3.4.3 PCA-KNN算法验证 | 第39-41页 |
| 3.4.4 PCA-KNN算法复杂度分析 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 人体内脏组织CT图像识别系统原型设计 | 第43-51页 |
| 4.1 引言 | 第43页 |
| 4.2 系统总体设计 | 第43-44页 |
| 4.3 模块设计 | 第44-47页 |
| 4.3.1 预处理模块 | 第44-45页 |
| 4.3.2 特征提取模块 | 第45-47页 |
| 4.3.3 图像分类模块 | 第47页 |
| 4.4 评价指标 | 第47-48页 |
| 4.5 数据库表设计 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 人体内脏组织CT图像识别系统实现 | 第51-71页 |
| 5.1 CT图像分类系统开发环境 | 第51-52页 |
| 5.1.1 系统开发环境 | 第51页 |
| 5.1.2 数据来源 | 第51-52页 |
| 5.2 系统模块开发 | 第52-60页 |
| 5.2.1 预处理模块 | 第52页 |
| 5.2.2 特征提取模块 | 第52-55页 |
| 5.2.3 图像分类模块 | 第55-60页 |
| 5.3 实验结果与分析 | 第60-70页 |
| 5.3.1 实验方案 | 第60-61页 |
| 5.3.2 结果分析 | 第61-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 全文总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |