生物醫(yī)學(xué)信息與圖像處理

前言
第1章 生物醫(yī)學(xué)信息與圖像處理基礎(chǔ)
　1.1 模糊數(shù)學(xué)基礎(chǔ)理論
　　1.1.1 模糊集合論
　　1.1.2 確定隸屬函數(shù)方法
　　1.1.3 模糊數(shù)學(xué)方法
　　1.1.4 權(quán)重?確定方法
　1.2 小波變換基礎(chǔ)理論
　　1.2.1 小波變換的基本概念
　　1.2.2 多分辨率分析
　　1.2.3 提升小波變換
　　1.2.4 圖像的二維小波分解與重構(gòu)
　1.3 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論
　　1.3.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
　　1.3.2 脈沖耦合神經(jīng)網(wǎng)絡(luò)基本原理及性能分析
第2章 模糊數(shù)學(xué)在生物醫(yī)學(xué)中的應(yīng)用
　2.1 模糊模式識(shí)別法在生物醫(yī)學(xué)中的應(yīng)用
　　2.1.1 新生兒疾病的模糊集診斷方法
　　2.1.2 模糊模式識(shí)別法在氣虛辨證中的應(yīng)用
　2.2 模糊綜合評(píng)判法在生物醫(yī)學(xué)中的應(yīng)用
　　2.2.1 肺部疾病診斷的模糊數(shù)學(xué)評(píng)判模型
　　2.2.2 兒童少年個(gè)體體質(zhì)評(píng)價(jià)的模糊數(shù)學(xué)模型
　　2.2.3 模糊綜合評(píng)價(jià)模型評(píng)價(jià)醫(yī)學(xué)生客觀結(jié)構(gòu)化臨床考試能力
　　2.2.4 模糊綜合評(píng)判法預(yù)測(cè)冠心病的先兆
　2.3 模糊熵與模糊積分決策模型在生物醫(yī)學(xué)中的應(yīng)用
　　2.3.1 信息熵用于定量分析乳腺病的輔助診斷
　　2.3.2 用模糊熵評(píng)估青少年學(xué)生視力
　　2.3.3 模糊積分模型預(yù)測(cè)葡萄胎惡變傾向
　　2.3.4 信息熵一模糊積分決策模型的心臟病放射診斷專(zhuān)家系統(tǒng)
　2.4 模糊聚類(lèi)分析用于青少年發(fā)育的年齡分期
　2.5 模糊關(guān)系方程在生物醫(yī)學(xué)中的應(yīng)用
　　2.5.1 模糊關(guān)系方程分析青少年后天近視因素
　　2.5.2 用模糊關(guān)系方程識(shí)別男女足跡
　2.6 模糊Bayes條件概率模型用于非中毒性甲狀腺腫診斷
第3章 基于小波變換與PCNN的超聲醫(yī)學(xué)圖像去噪算法
　3.1 超聲醫(yī)學(xué)圖像去噪概論
　　3.1.1 超聲醫(yī)學(xué)圖像去噪算法
　　3.1.2 超聲醫(yī)學(xué)圖像去噪性能指標(biāo)
　3.2 基于小波變換的超聲醫(yī)學(xué)圖像去噪算法
　　3.2.1 斑點(diǎn)噪聲
　　3.2.2 小波閾值去噪
　　3.2.3 改進(jìn)的自適應(yīng)?值去噪算法
　3.3 基于形態(tài)學(xué)的小波閾值去噪算法
　　3.3.1 數(shù)學(xué)形態(tài)學(xué)理論
　　3.3.2 基于形態(tài)學(xué)的小波閾值去噪算法
　　3.3.3 實(shí)驗(yàn)及結(jié)果分析
　3.4 基于PCNN與模糊集的小波域超聲醫(yī)學(xué)圖像去噪算法
　　3.4.1 PCNN去噪
　　3.4.2 基于PCNN的小波域超聲醫(yī)學(xué)圖像去噪算法
　　3.4.3 基于PCNN的超聲醫(yī)學(xué)圖像軟閾值去噪算法
　　3.4.4 基于模糊PCNN的小波域超聲醫(yī)學(xué)圖像去噪算法
　3.5 基于維納濾波與小波相融合的超聲醫(yī)學(xué)圖像去噪算法
　　3.5.1 維納濾波器
　　3.5.2 基于小波分析的圖像融合算法
　　3.5.3 算法描述
　　3.5.4 實(shí)驗(yàn)及結(jié)果分析
第4章 基于自適應(yīng)濾波與小波變換的生物醫(yī)學(xué)圖像增強(qiáng)算法
　4.1 基于自適應(yīng)低通濾波的超聲醫(yī)學(xué)圖像增強(qiáng)算法
　　4.1.1 全局直方圖均衡算法
　　4.1.2 局部直方圖均衡算法
　　4.1.3 自適應(yīng)鄰域直方圖均衡算法
　　4.1.4 基于自適應(yīng)低通濾波的圖像增強(qiáng)算法
　　4.1.5 實(shí)驗(yàn)及結(jié)果分析
　4.2 基于小波變換和線型中值濾波的指紋圖像增強(qiáng)算法
　　4.2.1 指紋圖像
　　4.2.2 常用的指紋圖像增?算法
　　4.2.3 基于小波變換和線型中值濾波的指紋圖像增強(qiáng)算法
　4.3 基于小波變換和Gabor濾波的指紋圖像增強(qiáng)算法
第5章 基于小波變換和神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)圖像分割與壓縮算法
　5.1 基于小波變換的指紋圖像分割算法
　　5.1.1 指紋圖像分割
　　5.1.2 局部灰度方差算法
　　5.1.3 基于多尺度分析的指紋圖像分割算法
　　5.1.4 實(shí)驗(yàn)及結(jié)果分析
　5.2 基于PCNN及其改進(jìn)的圖像分割算法
　　5.2.1 基于PCNN的圖像分割算法
　　5.2.2 基于改進(jìn)PCNN的圖像分割算法
　5.3 圖像壓縮質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)
　5.4 基于提升小波和PCNN的醫(yī)學(xué)圖像ROI壓縮算法
　　5.4.1 算法整體流程及預(yù)處理過(guò)程
　　5.4.2 基于整數(shù)5／3提升小波的無(wú)損壓縮算法
　　5.4.3 基于PCNN與游程編碼的有損壓縮算法
　　5.4.4 實(shí)驗(yàn)及結(jié)果分析
　5.5 基于提升小波分割的圖像壓縮算法
　　5.5.1 SPIHT編碼
　　5.5.2 編解碼比特率控制
　　5.5.3 實(shí)驗(yàn)及結(jié)果分析
　5.6 基于小波變換和神經(jīng)網(wǎng)絡(luò)的指紋圖像壓縮算法
　　5.6.1 人工神經(jīng)網(wǎng)絡(luò)的圖像壓縮原理
　　5.6.2 基于小波變換的圖像壓縮原理
　　5.6.3 小波系數(shù)的混合量化編碼
　　5.6.4 實(shí)驗(yàn)及結(jié)果分析
第6章 基于形態(tài)學(xué)與模糊集的生物醫(yī)學(xué)圖像邊緣檢測(cè)算法
　6.1 基于改進(jìn)形態(tài)邊緣檢測(cè)算子的醫(yī)學(xué)圖像邊緣檢測(cè)算法
　　6.1.1 形態(tài)學(xué)邊緣檢測(cè)算子
　　6.1.2 改進(jìn)的形態(tài)邊緣檢測(cè)算子
　　6.1.3 實(shí)驗(yàn)及結(jié)果分析
　6.2 基于形態(tài)學(xué)和蟻群算法的醫(yī)學(xué)細(xì)胞圖像邊緣檢測(cè)算法
　　6.2.1 細(xì)胞圖像的數(shù)學(xué)形態(tài)學(xué)處理算法
　　6.2.2 基于蟻群算法的醫(yī)學(xué)細(xì)胞圖像邊緣檢測(cè)算法
　　6.2.3 實(shí)驗(yàn)及結(jié)果分析
　6.3 基于模糊集和遺傳算法的醫(yī)學(xué)圖像邊緣檢測(cè)算法
　　6.3.1 模糊邊緣檢測(cè)算法
　　6.3.2 改進(jìn)后的邊緣檢測(cè)算法
參考文獻(xiàn)