| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-19页 |
| ·课题研究的背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·模式识别技术的发展与现状 | 第12-13页 |
| ·模式识别在医学图像处理中的研究现状 | 第13-14页 |
| ·图像模式识别概述 | 第14-15页 |
| ·常用图像模式识别方法及性能分析 | 第15-17页 |
| ·统计模式识别 | 第15页 |
| ·神经网络模式识别 | 第15页 |
| ·模糊模式识别 | 第15页 |
| ·支持向量机模式识别 | 第15-16页 |
| ·粗糙集模式识别 | 第16-17页 |
| ·医学图像模式识别存在的技术难题 | 第17-18页 |
| ·本文研究内容及章节安排 | 第18-19页 |
| 第二章 基于改进FCM和粗糙集理论的睑板腺形态识别算法 | 第19-37页 |
| ·粗糙集理论 | 第19-23页 |
| ·知识表达系统 | 第19-20页 |
| ·不可分辨关系 | 第20-21页 |
| ·上近似，下近似 | 第21-22页 |
| ·属性约简与核 | 第22-23页 |
| ·改进的模糊c均值聚类 | 第23-27页 |
| ·模糊c均值聚类 | 第23-24页 |
| ·改进的模糊c均值聚类 | 第24-26页 |
| ·改进FCM用于数据处理 | 第26-27页 |
| ·基于改进FCM和粗糙集的睑板腺形态诊断 | 第27-35页 |
| ·睑板腺图像预处理 | 第28-30页 |
| ·Tamura纹理特征提取 | 第30-32页 |
| ·分类规则提取 | 第32-34页 |
| ·睑板腺图像分类及结果分析 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第三章 自适应遗传算法优化支持向量机的乳腺肿瘤识别算法 | 第37-55页 |
| ·支持向量机理论 | 第37-43页 |
| ·线性可分情况下的SVM | 第38-41页 |
| ·非线性可分情况下的SVM | 第41-42页 |
| ·核函数 | 第42-43页 |
| ·自适应遗传算法优化的支持向量机 | 第43-47页 |
| ·遗传算法的构成要素 | 第44-45页 |
| ·自适应遗传算法 | 第45-46页 |
| ·自适应遗传算法优化支持向量机参数 | 第46-47页 |
| ·自适应遗传算法优化支持向量机的乳腺肿瘤诊断 | 第47-53页 |
| ·乳腺图像预处理 | 第47-49页 |
| ·乳腺肿瘤特征提取 | 第49-51页 |
| ·支持向量机训练 | 第51-52页 |
| ·检测样本分类及结果分析 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 第四章 基于MATLAB/GUI的医学图像识别系统设计 | 第55-71页 |
| ·MATLAB/GUI功能简介 | 第55-57页 |
| ·图形用户界面的开发环境（GUIDE） | 第55-56页 |
| ·图形对象及属性 | 第56-57页 |
| ·医学图像识别系统设计总方案 | 第57-60页 |
| ·系统设计基本原则 | 第57-58页 |
| ·系统设计基本步骤 | 第58-59页 |
| ·医学图像设计系统基本框图 | 第59-60页 |
| ·系统界面设计 | 第60-63页 |
| ·主界面设计 | 第60页 |
| ·睑板腺形态识别子界面设计 | 第60-62页 |
| ·乳腺肿瘤识别子界面设计 | 第62-63页 |
| ·系统程序设计 | 第63-70页 |
| ·图形句柄 | 第63页 |
| ·睑板腺识别系统程序设计 | 第63-68页 |
| ·乳腺肿瘤识别系统程序设计 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| ·本文工作总结 | 第71-72页 |
| ·未来工作展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 攻读硕士学位期间发表的学术论文 | 第79页 |
