基于级联多分类器融合的宫颈癌细胞识别技术的研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题背景及研究意义 | 第11-13页 |
| 1.1.1 课题来源 | 第11页 |
| 1.1.2 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 宫颈癌细胞图像特征提取方法的研究现状 | 第13页 |
| 1.2.2 宫颈癌细胞图像分类方法的研究现状 | 第13-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 第2章 宫颈细胞图像预处理 | 第16-25页 |
| 2.1 宫颈细胞图像分类 | 第16-19页 |
| 2.2 图像增强的原理与方法 | 第19-22页 |
| 2.2.1 图像增强原理 | 第19-21页 |
| 2.2.2 直方图均衡化 | 第21-22页 |
| 2.2.3 卷积锐化 | 第22页 |
| 2.3 实验结果分析 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 宫颈细胞图像特征提取 | 第25-30页 |
| 3.1 改进的宫颈细胞图像特征提取方法 | 第25-28页 |
| 3.1.1 基于迁移学习的特征提取方法 | 第25-27页 |
| 3.1.2 基于改进的迁移学习特征提取方法 | 第27-28页 |
| 3.2 实验结果分析 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 宫颈细胞图像特征降维 | 第30-42页 |
| 4.1 降维原理与方法 | 第30-36页 |
| 4.1.1 特征降维原理 | 第30-31页 |
| 4.1.2 主成分分析 | 第31-32页 |
| 4.1.3 线性判别分析 | 第32-36页 |
| 4.1.4 核主成分分析 | 第36页 |
| 4.2 改进的宫颈细胞图像特征降维方法 | 第36-39页 |
| 4.2.1 改进的Fisher判别准则函数 | 第36-38页 |
| 4.2.2 改进的LDA特征降维方法 | 第38-39页 |
| 4.3 实验结果分析 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 宫颈细胞图像多分类器的设计 | 第42-56页 |
| 5.1 多分类器融合原理 | 第42-44页 |
| 5.1.1 分类器串行融合方法 | 第42-43页 |
| 5.1.2 分类器并行融合方法 | 第43-44页 |
| 5.2 基于宫颈细胞图像的级联多分类器设计 | 第44-51页 |
| 5.2.1 C4.5决策树分类器 | 第44-45页 |
| 5.2.2 梯度提升决策树分类器 | 第45-46页 |
| 5.2.3 Adaboost分类器 | 第46-48页 |
| 5.2.4 基于宫颈细胞图像的级联多分类器 | 第48-51页 |
| 5.3 实验结果分析 | 第51-55页 |
| 5.4 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士期间发表的学术论文和获得专利 | 第61-62页 |
| 致谢 | 第62页 |
