| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 脑图像分割技术的国内外研究现状 | 第11-14页 |
| 1.2.2 脑图像识别技术的国内外研究现状 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 论文章节安排 | 第17-19页 |
| 2 脑图像分割与识别的相关算法概述 | 第19-36页 |
| 2.1 脑图像分割与识别框架 | 第19-20页 |
| 2.2 模糊聚类FCM及其改进算法 | 第20-30页 |
| 2.2.1 标准FCM算法 | 第20-22页 |
| 2.2.2 改进的FCM类算法 | 第22-29页 |
| 2.2.3 算法的有效性评估 | 第29-30页 |
| 2.3 支持向量机分类 | 第30-35页 |
| 2.3.1 线性可分条件下的SVM | 第30-32页 |
| 2.3.2 线性不可分条件下的SVM | 第32-33页 |
| 2.3.3 非线性SVM | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于邻域信息的FLICM分割算法改进 | 第36-52页 |
| 3.1 问题分析 | 第36-37页 |
| 3.2 基于邻域信息的FLICM算法改进 | 第37-42页 |
| 3.2.1 FLICM缺陷分析 | 第37-38页 |
| 3.2.2 FLICM算法重新推导 | 第38-40页 |
| 3.2.3 改进FLICM | 第40-42页 |
| 3.3 实验结果与分析 | 第42-51页 |
| 3.3.1 合成图像分割结果 | 第42-48页 |
| 3.3.2 MRI脑图像分割结果 | 第48-51页 |
| 3.4 本章小结 | 第51-52页 |
| 4 结合SCoW的改进FLICM脑图像分割 | 第52-70页 |
| 4.1 问题分析 | 第52-53页 |
| 4.2 分水岭分割算法 | 第53-58页 |
| 4.2.1 分水岭变换原理 | 第53-57页 |
| 4.2.2 标记控制符分水岭 | 第57-58页 |
| 4.3 结合SCo W的FLICM算法改进 | 第58-61页 |
| 4.3.1 SCoW预分割 | 第58-60页 |
| 4.3.2 结合SCo W改进FLICM | 第60-61页 |
| 4.4 实验结果与分析 | 第61-69页 |
| 4.4.1 医学图像分割结果 | 第62-65页 |
| 4.4.2 自然图像分割结果 | 第65-67页 |
| 4.4.3 脑肿瘤图像分割结果 | 第67-69页 |
| 4.5 本章小结 | 第69-70页 |
| 5 基于改进粒子群的二次SVM脑肿瘤识别 | 第70-88页 |
| 5.1 脑肿瘤特征提取及描述 | 第70-75页 |
| 5.1.1 形状特征提取及描述 | 第70-71页 |
| 5.1.2 边缘特征提取及描述 | 第71-75页 |
| 5.2 基于改进粒子群的二次SVM脑肿瘤识别 | 第75-83页 |
| 5.2.1 SVM缺陷分析 | 第76-77页 |
| 5.2.2 粒子群优化算法 | 第77-79页 |
| 5.2.3 改进的粒子群优化算法 | 第79-82页 |
| 5.2.4 基于改进粒子群的SVM参数优化流程 | 第82-83页 |
| 5.2.5 脑肿瘤识别 | 第83页 |
| 5.3 实验结果与分析 | 第83-86页 |
| 5.4 本章小结 | 第86-88页 |
| 结论 | 第88-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 攻读学位期间发表的与学位论文内容相关的学术论文及研究成果 | 第95页 |