基于无线供能的双头胶囊内镜系统与出血识别算法研究
| 摘要 | 第3-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 本文的研究背景及意义 | 第12-13页 |
| 1.2 胶囊内镜系统国内外研究现状 | 第13-17页 |
| 1.2.1 国外研究现状 | 第13-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 胶囊内镜图像智能出血识别的国内外研究概况 | 第17-19页 |
| 1.4 本文的研究内容与创新点 | 第19-20页 |
| 1.5 本文的结构 | 第20-21页 |
| 第二章 基于无线供能的双摄像头胶囊内镜系统设计 | 第21-34页 |
| 2.1 无线供能的基本原理 | 第22-23页 |
| 2.2 双头视频胶囊系统结构 | 第23-25页 |
| 2.2.1 双头式胶囊内镜的优势 | 第23-24页 |
| 2.2.2 双头式胶囊内镜的结构设计 | 第24-25页 |
| 2.3 RF模块的分频设计 | 第25-26页 |
| 2.4 无线供能系统 | 第26-30页 |
| 2.4.1 发射系统 | 第26-27页 |
| 2.4.2 接收系统 | 第27页 |
| 2.4.3 新型三维接收线圈设计 | 第27-30页 |
| 2.5 基于无线供能的双头胶囊内镜实验 | 第30-33页 |
| 2.5.1 双头式胶囊内镜系统测试 | 第30-32页 |
| 2.5.2 无线供能实验 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 统计学习方法与支持向量机 | 第34-49页 |
| 3.1 统计学习基本理论 | 第34-39页 |
| 3.1.1 统计学习方法介绍 | 第34页 |
| 3.1.2 监督学习理论基础 | 第34-36页 |
| 3.1.3 损失函数和风险函数 | 第36-37页 |
| 3.1.4 经验风险最小化与结构风险最小化 | 第37页 |
| 3.1.5 正则化与交叉验证 | 第37-39页 |
| 3.2 算法的提出及其基本思想 | 第39-40页 |
| 3.3 支持向量机理论 | 第40-48页 |
| 3.3.1 支持向量机学习模型分类 | 第40-41页 |
| 3.3.2 基于硬间隔最大化的线性可分支持向量机 | 第41-44页 |
| 3.3.3 软间隔最大化与线性不可分支持向量机 | 第44-47页 |
| 3.3.4 基于核函数的非线性支持向量学习方法 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 出血图像的特征提取与实验分析 | 第49-68页 |
| 4.1 出血图像分类的基本步骤 | 第49-50页 |
| 4.2 图像的预处理 | 第50-58页 |
| 4.2.1 出血图像的规范化 | 第50-51页 |
| 4.2.2 颜色空间的转换 | 第51页 |
| 4.2.3 RGB彩色空间 | 第51-52页 |
| 4.2.4 HSI彩色空间 | 第52-56页 |
| 4.2.5 HSV彩色空间 | 第56-58页 |
| 4.3 常见几种出血特征提取方法 | 第58-62页 |
| 4.3.1 基于颜色直方图的全局图像出血特征提取 | 第58-59页 |
| 4.3.2 基于超像素的局部图像出血特征提取 | 第59页 |
| 4.3.3 基于像素的特征提取方法 | 第59-62页 |
| 4.4 基于像素的出血分类算法具体实验过程与分析 | 第62-66页 |
| 4.4.1 支持向量机的参数优化 | 第62-65页 |
| 4.4.2 实验结果分析 | 第65-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 总结与展望 | 第68-71页 |
| 5.1 论文主要工作 | 第68-69页 |
| 5.2 本文主要创新点 | 第69页 |
| 5.3 工作展望 | 第69-71页 |
| 参考文献 | 第71-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间发表和录用的学术论文 | 第79-80页 |
| 攻读硕士学位期间已申请的专利 | 第80-81页 |
| 附件 | 第81-83页 |
