医学图像的多特征融合和识别研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 医学图像多特征融合研究进展 | 第11-13页 |
| 1.3 本文相关工作介绍 | 第13-14页 |
| 1.4 研究目标与主要贡献 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-16页 |
| 第二章 基于全局视觉特征的医学图像分类方法 | 第16-28页 |
| 2.1 LBP纹理特征 | 第16-20页 |
| 2.1.1 基本LBP算子 | 第17-19页 |
| 2.1.2 LBP算子旋转不变性 | 第19页 |
| 2.1.3 LBP算子的等价模式 | 第19-20页 |
| 2.2 Tamura纹理特征 | 第20-24页 |
| 2.2.1 粗糙度 | 第21-22页 |
| 2.2.2 对比度 | 第22页 |
| 2.2.3 方向度 | 第22-24页 |
| 2.3 实验结果分析 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于局部视觉特征的医学图像分类方法 | 第28-46页 |
| 3.1 尺度不变特征转换SIFT | 第28-34页 |
| 3.1.1 DOG尺度空间构建 | 第29-30页 |
| 3.1.2 关键点定位 | 第30-32页 |
| 3.1.3 关键点方向分配 | 第32-33页 |
| 3.1.4 关键点描述子生成 | 第33-34页 |
| 3.2 加速鲁棒特征SURF | 第34-39页 |
| 3.2.1 DOH尺度空间构建 | 第34-37页 |
| 3.2.2 关键点定位 | 第37页 |
| 3.2.3 关键点方向分配 | 第37-38页 |
| 3.2.4 关键点描述子生成 | 第38-39页 |
| 3.3 基于SURF的快速描述子提取算法 | 第39-42页 |
| 3.3.1 相关工作研究分析 | 第39-40页 |
| 3.3.2 FDEM原理分析 | 第40-41页 |
| 3.3.3 实验结果分析 | 第41-42页 |
| 3.4 实验结果分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于核函数的典型相关分析多特征融合算法 | 第46-56页 |
| 4.1 相关工作研究分析 | 第46-47页 |
| 4.2 典型相关分析 | 第47-50页 |
| 4.3 核典型相关分析融合算法 | 第50-53页 |
| 4.4 实验结果分析 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 基于视觉词典学习的多特征融合算法 | 第56-76页 |
| 5.1 相关工作研究分析 | 第56-58页 |
| 5.2 视觉词典模型 | 第58-59页 |
| 5.3 基于混合属性的谱聚类相似度量方法 | 第59-67页 |
| 5.3.1 相似性度量分析 | 第60-61页 |
| 5.3.2 基于混合属性的相似度量方法 | 第61-63页 |
| 5.3.3 实验结果分析 | 第63-67页 |
| 5.4 视觉词典多特征融合算法 | 第67-73页 |
| 5.4.1 概念和基本定义 | 第67页 |
| 5.4.2 LR模型设计 | 第67-69页 |
| 5.4.3 边际核函数生成 | 第69-71页 |
| 5.4.4 多特征融合算法 | 第71-73页 |
| 5.5 实验结果分析 | 第73-75页 |
| 5.6 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 工作总结 | 第76-77页 |
| 6.2 未来展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 硕士期间研究成果和学术论文 | 第84-85页 |
