| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 纹理分析的发展 | 第9-11页 |
| 1.2.2 分类算法的发展 | 第11-12页 |
| 1.3 本文组织结构 | 第12-13页 |
| 2 纹理分类概述 | 第13-18页 |
| 2.1 分形理论 | 第13-15页 |
| 2.1.1 分形概述 | 第13-14页 |
| 2.1.2 分形维数 | 第14-15页 |
| 2.2 LBP纹理特征 | 第15-16页 |
| 2.3 多核学习 | 第16-17页 |
| 2.4 小结 | 第17-18页 |
| 3 基于盒维数的纹理提取算法 | 第18-26页 |
| 3.1 传统盒维数 | 第18-19页 |
| 3.2 一种改进型盒维数方法 | 第19-21页 |
| 3.3 实验结果与分析 | 第21-25页 |
| 3.3.1 实验数据 | 第21页 |
| 3.3.2 拟合误差分析 | 第21-23页 |
| 3.3.3 分割图像分析 | 第23-25页 |
| 3.3.4 缩小图盒维数分析 | 第25页 |
| 3.4 小结 | 第25-26页 |
| 4 基于分形和LBP复杂网络的纹理提取算法 | 第26-33页 |
| 4.1 基于复杂网络的纹理提取算法 | 第26-27页 |
| 4.2 基于分形和LBP复杂网络的纹理特征 | 第27-29页 |
| 4.2.1 构建复杂网络群 | 第27-28页 |
| 4.2.2 提取纹理特征 | 第28-29页 |
| 4.3 实验结果与分析 | 第29-32页 |
| 4.3.1 实验数据 | 第29页 |
| 4.3.2 抗分割性 | 第29-30页 |
| 4.3.3 旋转不变性和抗噪声性 | 第30-31页 |
| 4.3.4 对生物医学图像的分类效果 | 第31-32页 |
| 4.4 小结 | 第32-33页 |
| 5 基于分形理论和多核学习的Hep-2 细胞分类算法 | 第33-47页 |
| 5.1 Hep-2 细胞和分形理论概述 | 第33页 |
| 5.2 Hep-2 细胞的相关描述和分析 | 第33-39页 |
| 5.2.1 Hep-2 细胞材料 | 第33-35页 |
| 5.2.2 分形描述符 | 第35-37页 |
| 5.2.3 形态学特征描述符 | 第37-38页 |
| 5.2.4 像素差描述符 | 第38-39页 |
| 5.3 实验结果与分析 | 第39-45页 |
| 5.3.1 分形描述符 | 第40-41页 |
| 5.3.2 形态学特征描述符 | 第41-42页 |
| 5.3.3 像素差特征描述符 | 第42页 |
| 5.3.4 混合描述符和MKL | 第42-45页 |
| 5.4 小结 | 第45-47页 |
| 结论 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间发表学术论文情况 | 第53-54页 |
| 致谢 | 第54-56页 |