基于SVM的医学图像分类的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-19页 |
| ·研究背景与意义 | 第10-11页 |
| ·医学图像的分类现状 | 第11-13页 |
| ·支持向量机及其研究现状 | 第13-14页 |
| ·支持向量机研究热点 | 第14-17页 |
| ·改进训练算法 | 第14-15页 |
| ·提高测试速度 | 第15-16页 |
| ·核函数的构造以及相应参数的调整 | 第16页 |
| ·利用SVM解决多分类的问题 | 第16-17页 |
| ·本文的主要工作 | 第17-19页 |
| 第二章 统计学习理论及支持向量机 | 第19-31页 |
| ·统计学习理论 | 第19-23页 |
| ·VC维 | 第20页 |
| ·结构风险最小化理论 | 第20-21页 |
| ·最优超平面 | 第21-22页 |
| ·泛化问题的界 | 第22-23页 |
| ·支持向量机 | 第23-27页 |
| ·线性支持向量机 | 第24-25页 |
| ·非线性支持向量机 | 第25页 |
| ·支持向量机及其核函数 | 第25-27页 |
| ·SVM核函数 | 第27-28页 |
| ·核的存在性分析 | 第27-28页 |
| ·核的种类及其特征 | 第28页 |
| ·核函数的选择 | 第28页 |
| ·SVM多分类器算法 | 第28-30页 |
| ·1-v-r分类器 | 第29页 |
| ·1-v-1分类器 | 第29-30页 |
| ·DAGs多分类法 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于SVM的DR图像分类 | 第31-52页 |
| ·DR图像简述 | 第31页 |
| ·DICOM文件简介 | 第31-34页 |
| ·DR图像的预处理 | 第34-41页 |
| ·DICOM文件的格式转换 | 第34-36页 |
| ·图像尺度的归一化 | 第36页 |
| ·图像的去噪增强与均衡化 | 第36-39页 |
| ·区域分割与感兴趣区域的选取 | 第39-41页 |
| ·图像特征提取 | 第41-46页 |
| ·灰度直方图特征的提取 | 第41-42页 |
| ·灰度共生矩阵特征提取 | 第42-45页 |
| ·特征分量归一化 | 第45-46页 |
| ·基于SVM的图像分类 | 第46页 |
| ·SVM模型的建立 | 第46-51页 |
| ·惩罚因子C的引入 | 第47-48页 |
| ·训练算法简介 | 第48-49页 |
| ·SVM学习算法的步骤 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 DR图像分类系统设计与实验结果分析 | 第52-60页 |
| ·DR图像分类系统设计 | 第52-55页 |
| ·特征提取模块 | 第54页 |
| ·SVM分类模块 | 第54-55页 |
| ·实验过程与实验结果分析 | 第55-59页 |
| ·交叉检验 | 第56-57页 |
| ·核函数的选取与参数选择 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 结论 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 在学研究成果 | 第65-66页 |
| 致谢 | 第66页 |
