| 摘要 | 第1-4页 |
| Abstract | 第4-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| ·引言 | 第8页 |
| ·研究目的及意义 | 第8-9页 |
| ·国内外研究的现状 | 第9-11页 |
| ·本文主要工作及组织结构 | 第11-14页 |
| 第二章 医学图像预处理及图像特征提取与分类理论研究 | 第14-28页 |
| ·医学图像特点及预处理技术 | 第14-19页 |
| ·医学图像的特点 | 第14页 |
| ·医学图像的预处理 | 第14-19页 |
| ·医学图像的特征提取 | 第19-23页 |
| ·形状特征 | 第19-21页 |
| ·纹理特征 | 第21-23页 |
| ·特征选择 | 第23页 |
| ·图像分类技术简介 | 第23-26页 |
| ·相似性度量 | 第24页 |
| ·人工神经网络 | 第24-25页 |
| ·支持向量机 | 第25-26页 |
| ·医学图像处理的基本流程 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于 Contourlet 变换和不变矩的特征提取 | 第28-44页 |
| ·Contourlet 变换的基本理论 | 第28-32页 |
| ·从小波变换到 Contourlet 变换 | 第28-29页 |
| ·Contourlet 变换的结构 | 第29-31页 |
| ·Contourlet 变换在纹理特征提取分类中的应用 | 第31-32页 |
| ·基于 Contourlet 变换和不变矩的特征提取方法 | 第32-39页 |
| ·基于 Contourlet 变换的不变矩特征提取 | 第32-33页 |
| ·广义高斯函数的尺度参数估计及特征加权计算 | 第33-35页 |
| ·实验与分析 | 第35-39页 |
| ·基于 Contourlet 变换和不变矩的特征提取算法在医学图像上的应用 | 第39-43页 |
| ·医学图像特征提取的基本步骤 | 第39-40页 |
| ·实验与分析 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于自适应混沌粒子群和支持向量机的图像分类 | 第44-56页 |
| ·基于支持向量机的分类 | 第44-46页 |
| ·支持向量机理论介绍 | 第44-45页 |
| ·支持向量机的参数估计和特征选择 | 第45-46页 |
| ·自适应混沌粒子群算法 | 第46-49页 |
| ·粒子群优化算法 | 第47页 |
| ·自适应混沌粒子群优化算法 | 第47-49页 |
| ·自适应混沌粒子群优化支持向量机的图像分类算法 | 第49-51页 |
| ·实验与分析 | 第51-55页 |
| ·Brodatz 纹理库图像实验结果分析 | 第51-52页 |
| ·脑 CT 图像实验结果分析 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| ·本文的工作总结 | 第56页 |
| ·工作展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者在攻读硕士学位期间发表的论文 | 第62-63页 |
| 附录1:论文所使用图像集（部分) | 第63页 |
