| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-17页 |
| ·研究背景和意义 | 第9-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·超声波检测技术的研究现状 | 第11-12页 |
| ·图像特征提取研究现状 | 第12-13页 |
| ·支持向量机的应用现状 | 第13-14页 |
| ·数据来源 | 第14页 |
| ·论文研究目标和内容 | 第14-15页 |
| ·论文结构组织 | 第15-17页 |
| 2 猪眼肌 B 超图像特征提取研究 | 第17-33页 |
| ·猪眼肌 B 超图像脂肪含量检测基本流程 | 第17-18页 |
| ·猪眼肌 B 超图像预处理 | 第18-20页 |
| ·图像灰度化处理 | 第18页 |
| ·实验数据分类及图像特征分析 | 第18-19页 |
| ·猪眼肌 B 超图像感兴趣区域 | 第19-20页 |
| ·特征提取理论基础 | 第20-26页 |
| ·颜色特征提取 | 第20-21页 |
| ·形状特征提取 | 第21页 |
| ·纹理特征提取 | 第21-25页 |
| ·本文采用的特征提取算法 | 第25-26页 |
| ·猪眼肌 B 超图像特征提取实现 | 第26-32页 |
| ·基于灰度直方图纹理特征提取实现 | 第26-28页 |
| ·基于灰度共生矩阵的特征提取实现 | 第28-32页 |
| 本章小结 | 第32-33页 |
| 3 猪眼肌 B 超图像特征筛选研究 | 第33-39页 |
| ·特征量筛选的理论基础 | 第33-34页 |
| ·假设检验实现特征量的筛选 | 第34-36页 |
| ·实验思路 | 第35页 |
| ·实验结果与分析 | 第35-36页 |
| 本章小结 | 第36-39页 |
| 4 实现猪眼肌脂肪含量的检测识别 | 第39-59页 |
| ·支持向量机理论基础 | 第39-46页 |
| ·机器学习的基本理论 | 第39-41页 |
| ·统计学习理论 | 第41-42页 |
| ·支持向量机 | 第42-45页 |
| ·多分类 SVM 基础 | 第45-46页 |
| ·支持向量机的分类实验 | 第46-53页 |
| ·支持向量机实验方案设计 | 第46-49页 |
| ·基于灰度共生矩阵纹理特征的 SVM 分类实验 | 第49-52页 |
| ·基于灰度直方图纹理特征的 SVM 分类实验 | 第52-53页 |
| ·SVM 分类实验结果分析 | 第53页 |
| ·BP 神经网络实现分类的对比实验 | 第53-58页 |
| ·BP 神经网络实验方案设计 | 第53-54页 |
| ·基于灰度共生矩阵纹理特征的 BP 神经网络对比实验 | 第54-57页 |
| ·基于灰度直方图纹理特征的 BP 神经网络对比实验 | 第57-58页 |
| ·实验结果分析 | 第58页 |
| 本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-61页 |
| ·研究总结 | 第59页 |
| ·研究展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第67页 |