| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| §1-1 引言 | 第7页 |
| §1-2 课题背景 | 第7-12页 |
| 1-2-1 医学图像去噪技术发展现状 | 第7-9页 |
| 1-2-2 医学图像分割研究情况 | 第9-12页 |
| §1-3 本文主要研究工作 | 第12-13页 |
| 第二章 颅脑 MRI 图像预处理 | 第13-22页 |
| §2-1 传统的滤波技术 | 第13-16页 |
| 2-1-1 空域上的滤波 | 第13-14页 |
| 2-1-2 频域上的滤波方法 | 第14-16页 |
| §2-2 适配模板滤波算法 | 第16-21页 |
| 2-2-1 方法 | 第16-18页 |
| 2-2-2 试验结果与分析 | 第18-21页 |
| §2-3 小结 | 第21-22页 |
| 第三章 基于支持向量机的颅脑 MRI 图像分割 | 第22-44页 |
| §3-1 支持向量机 | 第22-33页 |
| 3-1-1 统计学习理论 | 第22-24页 |
| 3-1-2 支持向量机原理 | 第24-30页 |
| 3-1-3 多类问题的支持向量机 | 第30-32页 |
| 3-1-4 支持向量机的特点 | 第32-33页 |
| §3-2 基于支持向量机的颅脑MRI 图像分割 | 第33-43页 |
| 3-2-1 图像分割定义 | 第33-34页 |
| 3-2-2 颅脑MRI 图像分割及轮廓线提取 | 第34-43页 |
| §3-3 小结 | 第43-44页 |
| 第四章 基于主成分分析和支持向量机的颅脑 MRI 图像分割 | 第44-50页 |
| §4-1 主成分分析（PCA） | 第44-46页 |
| §4-2 PCA 在特征向量降维中的应用及实验结果 | 第46-49页 |
| §4-3 小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 硕士期间发表论文 | 第55页 |