摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第9-15页 |
1.1 课题研究的背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-12页 |
1.2.1 成人自动/半自动脑图像分割技术现状 | 第10-11页 |
1.2.2 婴幼儿脑图像自动/半自动分割技术现状 | 第11-12页 |
1.3 本文内容安排 | 第12-15页 |
第2章 MR脑部图像处理方法概述 | 第15-23页 |
2.1 MR图像分割算法概述 | 第15-20页 |
2.1.1 阈值分割 | 第15页 |
2.1.2 区域分割 | 第15-16页 |
2.1.3 基于聚类的分割算法 | 第16-18页 |
2.1.4 基于随机场模型的分割算法 | 第18-19页 |
2.1.5 形变模型 | 第19-20页 |
2.1.6 其他算法研究 | 第20页 |
2.2 图像分割评价指标 | 第20-21页 |
2.3 婴幼儿脑MR图像分割难点 | 第21-22页 |
2.4 本章小结 | 第22-23页 |
第3章 基于核函数的马尔科夫随机场婴幼儿脑部图像分割算法 | 第23-39页 |
3.1 马尔科夫随机场模型相关概念及分割框架 | 第23-27页 |
3.1.1 MRF邻域系统和集簇 | 第23-25页 |
3.1.2 MARKOV和GIBBS分布 | 第25-26页 |
3.1.3 MRF模型图像分割框架 | 第26-27页 |
3.2 基于核函数的MRF模型图像分割算法 | 第27-31页 |
3.2.1 权重构造 | 第28-29页 |
3.2.2 KL距离 | 第29页 |
3.2.3 基于核函数的MRF模型 | 第29-31页 |
3.3 参数估计与算法流程 | 第31-32页 |
3.3.1 模型参数 | 第31-32页 |
3.3.2 算法流程 | 第32页 |
3.4 实验结果及其对比分析 | 第32-37页 |
3.5 本章小结 | 第37-39页 |
第4章 基于SVM的马尔科夫随机场婴幼儿脑部图像分割算法 | 第39-55页 |
4.1 MRI图像的特征提取及归一化 | 第39-42页 |
4.1.1 基于灰度共生矩阵特征提取 | 第39-41页 |
4.1.2 基于灰度信息的特征 | 第41-42页 |
4.2 基于PCA算法对特征数据降维处理 | 第42-43页 |
4.3 核函数的基本类型 | 第43-44页 |
4.4 基于SVM的MRF模型图像分割算法 | 第44-49页 |
4.4.1 支持向量机SVM | 第44-46页 |
4.4.2 高斯混合模型 | 第46-48页 |
4.4.3 基于支持向量机的MRF模型 | 第48页 |
4.4.4 算法的实现流程和步骤 | 第48-49页 |
4.5 实验结果分析 | 第49-53页 |
4.6 本章小结 | 第53-55页 |
第5章 基于加权的粗糙集模糊聚类婴幼儿脑部图像分割算法 | 第55-69页 |
5.1 局部信息模糊C均值 | 第55-57页 |
5.2 结合粗糙集的模糊聚类图像分割 | 第57-60页 |
5.2.1 粗糙集理论 | 第57页 |
5.2.2 基于粗糙集模糊聚类的图像分割模型 | 第57-58页 |
5.2.3 近似集合的构造 | 第58-59页 |
5.2.4 隶属度函数和聚类中心 | 第59-60页 |
5.3 改进的粗糙集模糊聚类模型 | 第60-64页 |
5.3.1 邻域权重因子 | 第60-61页 |
5.3.2 高斯径向基核函数 | 第61-62页 |
5.3.3 基于核函数的加权粗糙集模糊聚类模型 | 第62-64页 |
5.4 实验结果与分析 | 第64-68页 |
5.5 本章小结 | 第68-69页 |
第6章 总结与展望 | 第69-71页 |
6.1 总结 | 第69-70页 |
6.2 展望 | 第70-71页 |
参考文献 | 第71-77页 |
致谢 | 第77页 |