| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景及研究的意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-15页 |
| 1.2.1 图像的非语义分割方法概述 | 第10-13页 |
| 1.2.2 图像的语义分割方法概述 | 第13-15页 |
| 1.2.3 现有方法存在的问题 | 第15页 |
| 1.3 本文主要研究内容及组织结构 | 第15-18页 |
| 第2章 图像的多种特征提取 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 系统流程概述 | 第18-19页 |
| 2.3 图像特征提取 | 第19-27页 |
| 2.3.1 灰度特征 | 第19页 |
| 2.3.2 纹理特征 | 第19-21页 |
| 2.3.3 边缘信息特征 | 第21-22页 |
| 2.3.4 小波变换后提取的纹理特征 | 第22-25页 |
| 2.3.5 FCN深度特征 | 第25-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于SVM的图像粗分割 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 支持向量机理论基础概述 | 第29-33页 |
| 3.2.1 支持向量机简介 | 第29-30页 |
| 3.2.2 支持向量机的理论基础 | 第30-33页 |
| 3.3 本实验使用的SVM模型 | 第33-37页 |
| 3.3.1 多分类SVM模型 | 第34页 |
| 3.3.2 SMO优化方法 | 第34-36页 |
| 3.3.3 应用SVM输出后验概率 | 第36-37页 |
| 3.4 实验方案及实验结果与分析 | 第37-42页 |
| 3.4.1 实验方案 | 第37-40页 |
| 3.4.2 实验结果与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于医学先验约束的全连接条件随机场的图像精细分割 | 第43-53页 |
| 4.1 引言 | 第43页 |
| 4.2 全连接条件随机场模型 | 第43-47页 |
| 4.2.1 条件随机场概述 | 第43-44页 |
| 4.2.2 全连接条件随机场 | 第44-45页 |
| 4.2.3 平均场近似算法 | 第45-47页 |
| 4.3 基于医学先验知识改进全连接条件随机场模型 | 第47-49页 |
| 4.3.1 乳腺超声图像中的先验知识 | 第47页 |
| 4.3.2 使用医学先验知识增加能量约束项 | 第47-49页 |
| 4.4 实验结果与分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-61页 |
| 致谢 | 第61页 |