| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 引言 | 第8-14页 |
| 1.1 研究背景、目的和意义 | 第8-10页 |
| 1.2 系统整体架构 | 第10-11页 |
| 1.3 基于全局特征与局部特征的HEp-2 样本分类 | 第11-12页 |
| 1.4 基于深度学习的HEp-2 样本分类 | 第12-14页 |
| 第二章 基于全局特征与局部特征的HEp-2 样本分类 | 第14-31页 |
| 2.1 使用亮度阈值法对HEp-2 样本分类 | 第14-15页 |
| 2.2 基于全局特征的HEp-2 样本粗分类 | 第15-17页 |
| 2.2.1 全局特征的选取 | 第15-16页 |
| 2.2.2 基于SVM的分类器 | 第16页 |
| 2.2.3 分类器对样本的判定策略 | 第16-17页 |
| 2.3 基于局部特征的HEp-2 样本细分类 | 第17-28页 |
| 2.3.1 局部区域选取 | 第17-22页 |
| 2.3.1.1 预处理 | 第18页 |
| 2.3.1.2 图像增强与阈值化 | 第18-21页 |
| 2.3.1.3 基于轮廓的局部区域提取 | 第21页 |
| 2.3.1.4 局部区域选取实验结果 | 第21-22页 |
| 2.3.2 局部区域的局部特征提取 | 第22-23页 |
| 2.3.3 BOW（Bag of Words）特征编码 | 第23-24页 |
| 2.3.4 FisherVector特征编码 | 第24-27页 |
| 2.3.4.1 混合高斯模型 | 第24-25页 |
| 2.3.4.2 最大期望算法 | 第25-26页 |
| 2.3.4.3 FisherVector特征生成 | 第26-27页 |
| 2.3.5 基于局部区域的HEp-2 样本细分类 | 第27-28页 |
| 2.4 实验数据与结果 | 第28-31页 |
| 第三章 基于深度学习的HEp-2 样本分类 | 第31-38页 |
| 3.1 深度学习介绍 | 第31页 |
| 3.2 卷积神经网络 | 第31-33页 |
| 3.2.1 VGG-16 网络结构 | 第31-32页 |
| 3.2.2 GoogLeNet网络结构 | 第32-33页 |
| 3.3 网络的训练和分类 | 第33-35页 |
| 3.3.1 数据增强 | 第33-34页 |
| 3.3.2 训练与测试 | 第34-35页 |
| 3.4 结合VGG-16 与SVM的HEp-2 样本分类 | 第35-36页 |
| 3.5 实验数据结果 | 第36-38页 |
| 第四章 实验结果分析 | 第38-43页 |
| 4.1 实验结果 | 第38-39页 |
| 4.2 结果分析 | 第39-43页 |
| 4.2.1 结合全局特征与局部特征的分类方法结果分析 | 第39页 |
| 4.2.2 基于深度学习的分类方法结果分析 | 第39-41页 |
| 4.2.3 实用性分析 | 第41-43页 |
| 第五章 HEp-2 样本图片阴阳性分类系统的设计 | 第43-48页 |
| 5.1 Linux下模型的生成与测试 | 第43-44页 |
| 5.1.1 Caffe简介 | 第43页 |
| 5.1.2 训练数据的格式转换 | 第43-44页 |
| 5.1.3 模型的训练与测试 | 第44页 |
| 5.2 在Windows上使用训练好的模型文件 | 第44-45页 |
| 5.2.1 环境配置 | 第44-45页 |
| 5.2.2 Caffe接口的使用 | 第45页 |
| 5.3 运行界面 | 第45-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士学位期间的研究成果 | 第55页 |
