基于机器学习的医学超声图像边缘检测算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-20页 |
| ·引言 | 第9-10页 |
| ·研究背景及研究意义 | 第10-13页 |
| ·医学超声图像处理的研究 | 第10-12页 |
| ·机器学习技术简介 | 第12-13页 |
| ·国内外的研究现状 | 第13-16页 |
| ·课题背景与课题研究内容 | 第16-18页 |
| ·论文内容安排 | 第18页 |
| ·本章小结 | 第18-20页 |
| 2 传统边缘检测算法在医学超声图像中的应用 | 第20-33页 |
| ·超声图像的成像原理及图像特性 | 第20-21页 |
| ·边缘检测理论 | 第21-25页 |
| ·边缘的定义 | 第21-23页 |
| ·边缘检测的基本流程 | 第23-24页 |
| ·边缘检测算法的评价标准 | 第24-25页 |
| ·传统边缘检测算法 | 第25-30页 |
| ·梯度算子 | 第25-26页 |
| ·Sobel算子 | 第26-27页 |
| ·Laplace算子 | 第27-28页 |
| ·拉普拉斯 --高斯算子 | 第28-29页 |
| ·Canny算子 | 第29-30页 |
| ·算法仿真及性能分析对比 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 3 基于整数DCT变换的超声膀胱图像自动标注算法 | 第33-48页 |
| ·膀胱超声图像预处理 | 第35-37页 |
| ·计算整数DCT变换的整数变换矩阵 | 第37-38页 |
| ·自动标注算法理论 | 第38-45页 |
| ·获取一阶梯度算子f_x，f_y | 第38-42页 |
| ·动态确定边界阈值 | 第42页 |
| ·对间断边界进行边界连接 | 第42-45页 |
| ·实验仿真结果 | 第45-46页 |
| ·本章小结 | 第46-48页 |
| 4 基于机器学习的医学超声图像边缘检测算法 | 第48-69页 |
| ·创建训练样本集 | 第48-50页 |
| ·提取特征 | 第50-56页 |
| ·类Harr特征的实现原理 | 第50-51页 |
| ·类Harr特征的实现方法及应用 | 第51-54页 |
| ·多尺度梯度直方图特征选取依据及应用 | 第54-56页 |
| ·训练强分类器 | 第56-64页 |
| ·Ada Boost算法 | 第57-60页 |
| ·基于Ada Boost和决策树的的分类器训练 | 第60-64页 |
| ·实验结果及分析 | 第64-68页 |
| ·训练样本数量选取实验对比 | 第64-65页 |
| ·特征选择对实验结果的影响 | 第65-66页 |
| ·机器学习算法边缘检测结果对比分析 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第77页 |
