肛肠病症图像的分割和识别方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 课题的研究现状及发展趋势 | 第10-13页 |
| 1.3 论文主要研究内容与组织结构 | 第13-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 图像识别的基本知识 | 第16-29页 |
| 2.1 图像识别的简介 | 第16-17页 |
| 2.2 图像处理的主要内容与方法 | 第17-21页 |
| 2.2.1 图像处理的主要内容 | 第17-18页 |
| 2.2.2 图像处理的方法 | 第18-21页 |
| 2.3 模式识别的简介 | 第21-27页 |
| 2.3.1 模式识别系统组成 | 第21-23页 |
| 2.3.2 模式识别主要理论和方法 | 第23-27页 |
| 2.3.3 模式识别的应用 | 第27页 |
| 2.4 课题研究的重点及思路分析 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 肛肠病症图像预处理及分割 | 第29-50页 |
| 3.1 图像预处理 | 第29-39页 |
| 3.1.1 亮度补偿 | 第29-37页 |
| 3.1.2 灰度化 | 第37-38页 |
| 3.1.3 滤波 | 第38-39页 |
| 3.2 肛肠病症图像的分割 | 第39-45页 |
| 3.2.1 半阈值法 | 第39-40页 |
| 3.2.2 最大熵阈值法 | 第40-45页 |
| 3.3 肛肠病症图像的边缘检测 | 第45-46页 |
| 3.4 肛肠病症图像分割实验 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 肛肠病症图像的特征提取 | 第50-60页 |
| 4.1 灰度图像的统计特征 | 第50-51页 |
| 4.1.1 直方图的原理 | 第50-51页 |
| 4.1.2 灰度图像的均值、方差和熵 | 第51页 |
| 4.2 不变矩 | 第51-52页 |
| 4.3 纹理特征 | 第52-56页 |
| 4.4 数据分析方法 | 第56-59页 |
| 4.4.1 主成分的定义 | 第56-57页 |
| 4.4.2 主成分的性质 | 第57页 |
| 4.4.3 主成分数目的选取 | 第57页 |
| 4.4.4 主成分的计算 | 第57-58页 |
| 4.4.5 PCA 方法的实验分析 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 肛肠病症图像识别方法及结果分析 | 第60-79页 |
| 5.1 支持向量机的概述 | 第60-68页 |
| 5.1.1 最优分类面 | 第60-64页 |
| 5.1.2 非线性支持向量机 | 第64-65页 |
| 5.1.3 常用核函数 | 第65-66页 |
| 5.1.4 多类问题的决策方法 | 第66-68页 |
| 5.2 BP 神经网络的基本知识 | 第68-69页 |
| 5.3 肛肠病症图像分类器的设计及识别流程 | 第69-71页 |
| 5.3.1 SVM 分类器的设计及识别流程 | 第69-70页 |
| 5.3.2 BP 神经网络分类器的设计及识别流程 | 第70-71页 |
| 5.4 SVM 与 BP 神经网络的仿真实验 | 第71-77页 |
| 5.4.1 实验方法 | 第72页 |
| 5.4.2 实验内容 | 第72-74页 |
| 5.4.3 实验结果 | 第74-77页 |
| 5.4.4 分析与结论 | 第77页 |
| 5.5 本章小结 | 第77-79页 |
| 第6章 总结和展望 | 第79-82页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望 | 第80-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 攻读学位期间的研究成果 | 第86页 |
