| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-17页 |
| ·选题背景及研究意义 | 第9-10页 |
| ·超声成像技术 | 第10-13页 |
| ·超声成像基本原理 | 第10页 |
| ·超声成像设备 | 第10-11页 |
| ·肝脏超声图像的特点 | 第11-13页 |
| ·支持向量机的研究现状 | 第13-14页 |
| ·肝脏 B 超图像分类研究现状 | 第14-15页 |
| ·本文主要工作及内容安排 | 第15-17页 |
| 2 支持向量机理论基础 | 第17-27页 |
| ·机器学习的基本问题 | 第17-19页 |
| ·机器学习问题的表示 | 第17-18页 |
| ·经验风险最小化 | 第18页 |
| ·复杂性与推广能力 | 第18-19页 |
| ·统计学习理论的核心内容 | 第19-22页 |
| ·VC 维 | 第19-20页 |
| ·推广性的界 | 第20-21页 |
| ·结构风险最小化 | 第21-22页 |
| ·支持向量机 | 第22-25页 |
| ·线性可分情况 | 第22-23页 |
| ·非线性可分情况 | 第23-24页 |
| ·需要核函数映射情况 | 第24-25页 |
| ·多分类支持向量机 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 3 肝脏 B 超图像特征提取 | 第27-48页 |
| ·图像采集和灰度化 | 第27页 |
| ·选取感兴趣区域(ROI) | 第27-28页 |
| ·ROI 的预处理 | 第28-33页 |
| ·ROI 的去噪 | 第28-31页 |
| ·ROI 的增强 | 第31-33页 |
| ·纹理特征的提取 | 第33-44页 |
| ·纹理的定义和描述方法 | 第33-34页 |
| ·基于统计矩的特征 | 第34-35页 |
| ·基于灰度共生矩阵的特征 | 第35-39页 |
| ·基于傅里叶变换的特征 | 第39页 |
| ·基于小波变换的特征 | 第39-44页 |
| ·特征的降维和归一化 | 第44-47页 |
| ·特征的降维 | 第44-46页 |
| ·特征的归一化 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 4 SVM 在肝脏 B 超图像分类中的应用 | 第48-70页 |
| ·实验平台及 SVM 分类器的选择 | 第48页 |
| ·图像分类效果评价指标 | 第48页 |
| ·肝脏 B 超图像分类流程 | 第48-49页 |
| ·支持向量机参数优化方法 | 第49-51页 |
| ·K 折交叉验证 | 第49页 |
| ·网格搜索法 | 第49-50页 |
| ·粒子群优化算法 | 第50-51页 |
| ·基于网格搜索法的 SVM 对肝脏 B 超图像分类 | 第51-58页 |
| ·归一化方法的选择 | 第52-54页 |
| ·单一特征在不同核函数下的实验结果及分析 | 第54-56页 |
| ·多特征结合在不同核函数下的实验结果及分析 | 第56-58页 |
| ·PSO-SVM 算法对肝脏 B 超图像分类 | 第58-62页 |
| ·PSO 算法优化 SVM 基本流程 | 第58页 |
| ·PSO-SVM 算法参数设置分析 | 第58-61页 |
| ·PSO-SVM 算法实验分析 | 第61-62页 |
| ·与基于 K 均值聚类的图像分类比较 | 第62-64页 |
| ·K 均值聚类算法 | 第62-63页 |
| ·基于 K 均值聚类的 B 超图像分类 | 第63-64页 |
| ·与基于 BP 神经网络的图像分类比较 | 第64-68页 |
| ·BP 神经网络 | 第64-66页 |
| ·基于 BP 神经网络的 B 超图像分类 | 第66-68页 |
| ·本章小结 | 第68-70页 |
| 5 结论 | 第70-72页 |
| ·本文工作总结 | 第70-71页 |
| ·未来工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录 | 第76页 |