| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 图像增强 | 第12-13页 |
| 1.2.2 图像分割 | 第13页 |
| 1.2.3 图像识别 | 第13-14页 |
| 1.3 论文研究主要工作和内容安排 | 第14-16页 |
| 第二章 近红外乳腺图像处理技术综述 | 第16-24页 |
| 2.1 近红外乳腺图像的处理方法 | 第16-18页 |
| 2.1.1 血管显化 | 第16-17页 |
| 2.1.2 等灰度曲线 | 第17-18页 |
| 2.1.3 边缘显化 | 第18页 |
| 2.2 图像增强 | 第18-19页 |
| 2.3 图像分割 | 第19-20页 |
| 2.4 图像识别 | 第20-23页 |
| 2.4.1 特征提取 | 第20-22页 |
| 2.4.2 图像分类 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于Canny加权引导滤波的图像增强 | 第24-32页 |
| 3.1 引导滤波 | 第24-25页 |
| 3.2 方差加权引导滤波 | 第25-26页 |
| 3.3 基于Canny算子的加权引导滤波 | 第26-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于模糊C-均值聚类算法的近红外乳腺图像分割 | 第32-42页 |
| 4.1 引言 | 第32页 |
| 4.2 模糊理论基础 | 第32-34页 |
| 4.2.1 模糊集合 | 第32-33页 |
| 4.2.2 聚类分析方法 | 第33-34页 |
| 4.3 模糊C-均值聚类算法 | 第34-36页 |
| 4.4 模糊C-均值聚类图像分割算法中的参数选择 | 第36-38页 |
| 4.4.1 聚类数目 | 第36-37页 |
| 4.4.2 初始隶属矩阵及初始聚类中心 | 第37-38页 |
| 4.4.3 加权指数m的设定 | 第38页 |
| 4.5 实验与结果分析 | 第38-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第五章 基于卷积神经网络的图像分类 | 第42-63页 |
| 5.1 引言 | 第42页 |
| 5.2 反向传播算法 | 第42-45页 |
| 5.3 权值共享方式 | 第45-47页 |
| 5.4 卷积神经网络 | 第47-54页 |
| 5.4.1 卷积层 | 第47-48页 |
| 5.4.2 池化层 | 第48-49页 |
| 5.4.3 全连接层 | 第49页 |
| 5.4.4 Softmax分类层 | 第49-51页 |
| 5.4.5 激活函数 | 第51-53页 |
| 5.4.6 Dropout层 | 第53-54页 |
| 5.5 V GG卷积神经网络模型的构建 | 第54-56页 |
| 5.5.1 VGG模型 | 第54页 |
| 5.5.2 本文VGG网络模型的设计 | 第54-56页 |
| 5.6 实验与结果分析 | 第56-62页 |
| 5.6.1 实验平台 | 第56页 |
| 5.6.2 训练数据的提取 | 第56-57页 |
| 5.6.3 分类性能标准 | 第57页 |
| 5.6.4 实验与结果分析 | 第57-62页 |
| 5.7 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 全文工作总结 | 第63页 |
| 6.2 后续工作展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表论文情况 | 第70页 |