| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 磁共振成像 | 第14页 |
| 1.4 本文内容及章节安排 | 第14-16页 |
| 2 多分辨率分析下的纹理特征提取 | 第16-32页 |
| 2.1 纹理特征提取方法 | 第16-18页 |
| 2.2 多分辨率分析方法 | 第18-26页 |
| 2.2.1 小波变换 | 第18-19页 |
| 2.2.2 双树复小波变换 | 第19-23页 |
| 2.2.3 非下采样 Contourlet 变换 | 第23-25页 |
| 2.2.4 梳状波变换（Brushlet） | 第25-26页 |
| 2.3 多分辨率分析下图像纹理特征提取 | 第26-31页 |
| 2.3.1 DWT，DT-CWT，NSCT 下图像纹理特征提取方法 | 第27-28页 |
| 2.3.2 基于 Brushlet 变换的图像纹理特征提取 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 基于支持向量机的纹理图像识别 | 第32-46页 |
| 3.1 统计学习理论 | 第32-34页 |
| 3.1.1 学习过程的一致性 | 第32-33页 |
| 3.1.2 VC 维理论 | 第33页 |
| 3.1.3 推广性的界 | 第33-34页 |
| 3.1.4 结构风险最小化 | 第34页 |
| 3.2 支持向量机 | 第34-41页 |
| 3.2.1 线性可分支持向量机 | 第35-37页 |
| 3.2.2 线性不可分支持向量机 | 第37-38页 |
| 3.2.3 支持向量机核函数 | 第38-40页 |
| 3.2.4 多分类支持向量机 | 第40-41页 |
| 3.3 基于 SVM 的纹理图像识别 | 第41-44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 脑 MR 医学图像的识别 | 第46-55页 |
| 4.1 脑 MR 图像的纹理特征提取 | 第46-53页 |
| 4.1.1 基于双树复小波变换的脑 MR 图像纹理特征提取 | 第47-49页 |
| 4.1.2 基于非下采样 Contourlet 变换的脑 MR 图像纹理特征提取 | 第49-52页 |
| 4.1.3 基于梳状波变换的脑 MR 纹理特征提取 | 第52-53页 |
| 4.2 基于支持向量机的脑 MR 图像识别 | 第53-54页 |
| 4.3 本章小结 | 第54-55页 |
| 5 总结和展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第63-64页 |
