| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-25页 |
| 1.1 选题的背景 | 第14-18页 |
| 1.1.1 皮肤黑色素瘤 | 第14-17页 |
| 1.1.2 显微高光谱成像技术 | 第17-18页 |
| 1.2 选题的意义 | 第18-20页 |
| 1.3 国内外研究现状 | 第20-22页 |
| 1.3.1 皮肤黑色素瘤国内外研究现状 | 第20-21页 |
| 1.3.2 显微高光谱成像技术国内外研究现状 | 第21-22页 |
| 1.4 本文主要研究内容及结构安排 | 第22-25页 |
| 第二章 显微高光谱成像系统及皮肤黑色素瘤样本 | 第25-39页 |
| 2.1 显微高光谱成像系统 | 第25-27页 |
| 2.1.1 系统组成 | 第25-26页 |
| 2.1.2 系统性能指标 | 第26-27页 |
| 2.2 数据采集与光谱校正方法 | 第27-33页 |
| 2.2.1 数据采集及数据格式 | 第27-30页 |
| 2.2.2 高光谱图像样本校正 | 第30-33页 |
| 2.3 皮肤黑色素瘤样本制备和类型 | 第33-38页 |
| 2.3.1 皮肤黑色素瘤样本制备 | 第33-34页 |
| 2.3.2 皮肤黑色素瘤样本类型 | 第34-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 皮肤黑色素瘤显微高光谱图像识别方法 | 第39-61页 |
| 3.1 显微高光谱图像分割方法 | 第39-53页 |
| 3.1.1 基于KMNF的分割方法 | 第39-49页 |
| 3.1.1.1 高光谱图像特征提取 | 第40-43页 |
| 3.1.1.2 数学形态学滤波 | 第43-44页 |
| 3.1.1.3 基于水平集分割的图像边缘检测 | 第44-49页 |
| 3.1.2 基于特征光谱监督的LSSVM分割方法 | 第49-53页 |
| 3.1.2.1 基于最小二乘的支持向量机分割算法(LSSVM) | 第49-52页 |
| 3.1.2.2 特征光谱监督策略 | 第52-53页 |
| 3.2 基于PSO优化的极限学习机分类方法 | 第53-58页 |
| 3.3 定量化评价方法 | 第58-60页 |
| 3.4 本章小结 | 第60-61页 |
| 第四章 皮肤黑色素瘤识别及定量化分析 | 第61-80页 |
| 4.1 基于高光谱图像形态分割的皮肤颗粒层分割 | 第61-67页 |
| 4.1.1 病理图像分割结果 | 第62-63页 |
| 4.1.2 基于KMNF的分割结果 | 第63-64页 |
| 4.1.3 PCA、MNF、KMNF分割结果对比 | 第64-67页 |
| 4.2 基于特征光谱监督的恶性黑色素细胞分割 | 第67-71页 |
| 4.3 基于PSO-ELM的皮肤黑色素瘤分类 | 第71-75页 |
| 4.4 皮肤黑色素瘤入侵深度测量方法 | 第75-79页 |
| 4.5 本章小结 | 第79-80页 |
| 第五章 总结与展望 | 第80-83页 |
| 5.1 总结 | 第80-81页 |
| 5.2 展望 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-89页 |
| 攻读硕士学位期间发表的学术论文 | 第89-90页 |
| 攻读硕士学位期间申请的发明专利 | 第90-91页 |
| 攻读硕士学位期间参与的科研项目 | 第91页 |