支持向量机在肝脏B超图像识别中的应用研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题研究的背景及意义 | 第9-11页 |
| ·支持向量机的发展历程 | 第11-12页 |
| ·肝脏B超图像研究的发展历程 | 第12页 |
| ·支持向量机应用于B超图像识别的发展概述 | 第12-13页 |
| ·本文主要研究内容 | 第13-15页 |
| 第2章 肝脏B超图像的特征提取 | 第15-26页 |
| ·肝脏B超图像 | 第15-16页 |
| ·肝脏B超图像处理 | 第16-18页 |
| ·B超图像采集及灰度化 | 第17页 |
| ·肝脏B超图像的感兴趣区域 | 第17-18页 |
| ·B超图像的特征提取 | 第18-25页 |
| ·B超图像纹理统计矩特征 | 第18-21页 |
| ·基于共生矩阵的B超图像纹理特征 | 第21-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 支持向量机基本理论 | 第26-38页 |
| ·机器学习的基本问题 | 第26-28页 |
| ·经验风险 | 第26-27页 |
| ·复杂性与推广能力 | 第27-28页 |
| ·统计学习理论 | 第28-30页 |
| ·VC维 | 第28页 |
| ·推广界 | 第28-29页 |
| ·结构风险最小化 | 第29-30页 |
| ·支持向量机 | 第30-36页 |
| ·最优分类面 | 第30-31页 |
| ·基本分类理论 | 第31-35页 |
| ·SVM的核函数 | 第35-36页 |
| ·多分类SVM基础 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 支持向量机的B超图像分类研究 | 第38-53页 |
| ·B超图像识别过程 | 第38-39页 |
| ·样本选择及组织 | 第39-40页 |
| ·LibSVM软件的使用 | 第40-41页 |
| ·分类器的设计 | 第41-45页 |
| ·分类方法的选择 | 第41-43页 |
| ·核函数的选择与参数的选择 | 第43-45页 |
| ·算法的评价 | 第45页 |
| ·基于不同特征的分类研究 | 第45-49页 |
| ·基于共生矩阵的分类研究 | 第46-47页 |
| ·基于纹理统计矩特征的分类研究 | 第47-48页 |
| ·分类结果的分析 | 第48-49页 |
| ·与基于神经网络分类研究的比较 | 第49-52页 |
| ·BP神经网络 | 第49-50页 |
| ·基于BP神经网络的B超图像的分类 | 第50-51页 |
| ·SVM与BP神经网络的分类对比分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 肝脏B超图像识别系统的开发 | 第53-62页 |
| ·肝脏B超图像识别系统的开发平台 | 第53-54页 |
| ·系统开发的硬件平台 | 第53页 |
| ·系统开发的软件平台 | 第53-54页 |
| ·肝脏B超图像识别系统 | 第54页 |
| ·肝脏B超图像识别系统的功能模块 | 第54-61页 |
| ·图像处理模块 | 第55-56页 |
| ·特征提取模块 | 第56-58页 |
| ·SVM分类器模块 | 第58-59页 |
| ·肝脏B超图像诊断报告 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第67-68页 |
| 致谢 | 第68页 |
