| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 冠心病 | 第10-11页 |
| 1.1.2 血管内超声 | 第11-12页 |
| 1.2 血管内超声图像组织标定的研究现状 | 第12-14页 |
| 1.2.1 组织描述 | 第13-14页 |
| 1.2.2 组织分类 | 第14页 |
| 1.3 本文研究目的及意义 | 第14页 |
| 1.4 本文的主要研究内容 | 第14-16页 |
| 第2章 图像纹理特征提取和分类的研究现状 | 第16-20页 |
| 2.1 图像纹理特征提取的发展及研究现状 | 第16-17页 |
| 2.1.1 发展历程 | 第16页 |
| 2.1.2 方法分类 | 第16-17页 |
| 2.2 模式识别与分类方法简介 | 第17-19页 |
| 2.2.1 模式识别系统 | 第17-18页 |
| 2.2.2 模式分类方法简介 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 IVUS 图像的纹理特征提取 | 第20-31页 |
| 3.1 灰度共生矩阵 | 第20-24页 |
| 3.1.1 原理 | 第20-21页 |
| 3.1.2 二次统计特征量 | 第21-22页 |
| 3.1.3 提取方法 | 第22-23页 |
| 3.1.4 实验结果及讨论 | 第23-24页 |
| 3.2 局部二值模式 | 第24-27页 |
| 3.2.1 概述 | 第24-26页 |
| 3.2.2 实验结果及讨论 | 第26-27页 |
| 3.3 Gabor 滤波器 | 第27-30页 |
| 3.3.1 小波分析 | 第27-28页 |
| 3.3.2 Gabor 变换 | 第28页 |
| 3.3.3 Gabor 滤波器 | 第28-29页 |
| 3.3.4 实验结果及讨论 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 IVUS 图像纹理特征数据的降维 | 第31-38页 |
| 4.1 主成分分析 | 第31-33页 |
| 4.1.1 算法简介 | 第31-33页 |
| 4.1.2 实验结果及讨论 | 第33页 |
| 4.2 Fisher 线性判别分析 | 第33-35页 |
| 4.2.1 算法简介 | 第33-35页 |
| 4.2.2 实验结果及讨论 | 第35页 |
| 4.3 多维尺度法 | 第35-36页 |
| 4.3.1 简介 | 第35-36页 |
| 4.3.2 实验结果及讨论 | 第36页 |
| 4.4 三种降维方法的比较 | 第36-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第5章 IVUS 图像纹理特征的分类和组织标定 | 第38-58页 |
| 5.1 分类流程简介 | 第38-40页 |
| 5.1.1 对 ROI 的块分类 | 第38-39页 |
| 5.1.2 对 ROI 的点分类 | 第39-40页 |
| 5.2 支持向量机 | 第40-47页 |
| 5.2.1 线性 SVM | 第40-42页 |
| 5.2.2 非线性 SVM 与核函数 | 第42-43页 |
| 5.2.3 SVM 分类器及参数选取 | 第43-44页 |
| 5.2.4 实验结果及讨论 | 第44-47页 |
| 5.3 Adaboost | 第47-52页 |
| 5.3.1 bootstrap 与 boosting 算法简介 | 第47-48页 |
| 5.3.2 Adaboost 算法简介 | 第48-50页 |
| 5.3.3 Adaboost 分类器设计 | 第50-51页 |
| 5.3.4 实验结果及讨论 | 第51-52页 |
| 5.4 随机森林 | 第52-55页 |
| 5.4.1 算法简介 | 第52-53页 |
| 5.4.2 分类器设计 | 第53-54页 |
| 5.4.3 实验结果及讨论 | 第54-55页 |
| 5.5 分类器的评价与比较 | 第55-57页 |
| 5.5.1 分类器的评价 | 第55-56页 |
| 5.5.2 分类器的比较 | 第56页 |
| 5.5.3 优化结果 | 第56-57页 |
| 5.6 本章小结 | 第57-58页 |
| 第6章 结论与展望 | 第58-60页 |
| 6.1 结论 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第65-66页 |
| 致谢 | 第66页 |