基于支持向量机的MR闹图像分割研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·选题背景及研究意义 | 第8页 |
| ·支持向量机国内外研究现状 | 第8-10页 |
| ·医学图像分割算法研究现状 | 第10-11页 |
| ·本文主要内容和结构 | 第11-13页 |
| 2 医学图像分割 | 第13-20页 |
| ·医学图像分割涵义 | 第13-14页 |
| ·图像分割的定义 | 第13页 |
| ·医学图像分割的定义 | 第13-14页 |
| ·医学图像分割技术的发展过程 | 第14页 |
| ·医学图像分割技术的分类 | 第14-18页 |
| ·基于区域的方法 | 第14-16页 |
| ·基于边缘的方法 | 第16-17页 |
| ·结合特定理论的方法 | 第17-18页 |
| ·医学图像分割前景 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 3 统计学习理论及支持向量机 | 第20-34页 |
| ·机器学习 | 第20-21页 |
| ·统计学习理论主要内容 | 第21-23页 |
| ·VC维理论 | 第21-22页 |
| ·关于泛化误差界的问题 | 第22页 |
| ·结构风险最小化 | 第22-23页 |
| ·支持向量机 | 第23-31页 |
| ·最优分类面问题 | 第23-25页 |
| ·线性分类器与非线性分类器的实现 | 第25-27页 |
| ·支持向量机问题 | 第27-30页 |
| ·SVM解决多类问题 | 第30-31页 |
| ·最小二乘支持向量机 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 4 最小二乘支持向量机在MR脑图像分割中的应用 | 第34-48页 |
| ·MR图像特点 | 第34-35页 |
| ·MR脑图像分割算法 | 第35-46页 |
| ·MR脑图像预处理 | 第35-37页 |
| ·剔除非脑组织 | 第37-38页 |
| ·纹理特征提取及归一化 | 第38-42页 |
| ·SVM分类器的构建 | 第42-46页 |
| ·本章小结 | 第46-48页 |
| 5 实验结果及对比分析 | 第48-56页 |
| ·分割评价准则 | 第48页 |
| ·核函数以及核参数选择 | 第48-49页 |
| ·特征向量的约简 | 第49-50页 |
| ·训练样本数的选择 | 第50-51页 |
| ·不同噪声的MR脑图像分割结果 | 第51-52页 |
| ·其他分割算法 | 第52-55页 |
| ·基于边缘的分割算法 | 第53页 |
| ·基于小波变换的分割算法 | 第53-54页 |
| ·基于神经网络的分割算法 | 第54页 |
| ·形态学分割算法 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 6 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文 | 第62-63页 |
| 致谢 | 第63-65页 |
