腫瘤細(xì)胞圖像識別

第1章 腫瘤細(xì)胞圖像識別概論
1．1 腫瘤細(xì)胞圖像識別的背景
1．2 腫瘤細(xì)胞圖像識別的研究現(xiàn)狀
1．2．1 國外研究現(xiàn)狀
1．2．2 國內(nèi)研究現(xiàn)狀
1．3 腫瘤細(xì)胞圖像及其特點
1．3．1 原始腫瘤細(xì)胞圖像
1．3．2 腫瘤細(xì)胞圖像的特點
1．3．3 灰度化腫瘤細(xì)胞圖像
第2章 圖像常用預(yù)處理方法
2．1 圖像預(yù)處理
2．2 圖像灰度化
2．2．1 圖像的灰度化
2．2．2 圖像的灰度修正
2．3 圖像增強(qiáng)
2．3．1 頻域圖像增強(qiáng)方法
2．3．2 圖像的灰度變換
2．3．3 直方圖處理
2．3．4 圖像的空間域平滑
2．3．5 圖像的銳化
第3章 圖像常用特征提取方法
3．1 圖像特征及常用提取方法概述
3．1．1 圖像特征概述
3．1．2 圖像常用特征
3．1．3 圖像常用特征提取方法
3．2 主成分分析方法
3．2．1 PCA概述
3．2．2 總體主成分的計算與選取
3．2．3 PCA方法基本流程
3．3 流形學(xué)習(xí)方法
3．3．1 流形學(xué)習(xí)概述
3．3．2 流形學(xué)習(xí)的代表方法
3．3．3 LLE算法原理
3．4 稀疏編碼方法
3．4．1 稀疏編碼概述
3．4．2 自然圖像的稀疏性與稀疏編碼模型
3．4．3 稀疏編碼模型的統(tǒng)計學(xué)原理
3．4．4 稀疏編碼方法原理
3．5 壓縮感知方法
3．5．1 壓縮感知概述
3．5．2 信號的采樣過程
3．5．3 CS數(shù)學(xué)模型
3．5．4 基于CS的特征提取算法原理
第4章 圖像常用識別方法
4．1 基于線性判別分析的分類識別方法
4．1．1 LDA概述
4．1．2 LDA方法原理
4．1．3 LDA方法的局限性及解決方法
4．2 基于支持向量機(jī)的分類識別方法
4．2．1 SVM概述
4．2．2 SVM方法原理
4．2．3 SVM核函數(shù)及多分類方法
4．3 基于決策樹的分類識別方法
4．3．1 決策樹分類方法概述
4．3．2 決策樹分類的步驟
4．3．3 C4．5 決策樹算法
4．4 基于貝葉斯的分類識別方法
4．4．1 貝葉斯分類概述
4．4．2 樸素貝葉斯分類方法
4．5 基于神經(jīng)網(wǎng)絡(luò)的分類識別方法
4．5．1 神經(jīng)網(wǎng)絡(luò)概述
4．5．2 神經(jīng)網(wǎng)絡(luò)分類原理
4．5．3 SOFM分類方法
第5章 腫瘤細(xì)胞圖像的常用識別方法
5．1 基于改進(jìn)的PCA LDA的腫瘤細(xì)胞圖像識別
5．1．1 傳統(tǒng)PCA LDA變換流程與實現(xiàn)
5．1．2 泛化問題的產(chǎn)生和解決
5．1．3 基于改進(jìn)PCA LDA的識別算法
5．1．4 實驗與結(jié)論
5．2 基于雙向2DPCA SVM的腫瘤細(xì)胞圖像識別
5．2．1 2DPCA方法
5．2．2 雙向2DPCA特征提取算法原理
5．2．3 基于2DPCA SVM的識別算法
5．2．4 實驗與結(jié)論
5．3 基于LLE LS SVM的腫瘤細(xì)胞圖像識別
5．3．1 LLE和LS SVM算法原理
5．3．2 基于LLE LS SVM的識別算法
5．3．3 實驗與結(jié)論
5．4 基于SAM-CS SOFM的腫瘤細(xì)胞圖像識別
5．4．1 自適應(yīng)觀測矩陣的壓縮感知算法
5．4．2 基于SAM-CS SOFM的識別算法
5．4．3 實驗與結(jié)論
第6章 基于字典學(xué)習(xí)的RRC腫瘤細(xì)胞圖像識別
6．1 稀疏表示分類原理
6．2 稀疏表示模型用于圖像識別需要考慮的問題
6．3 FDDL與正則化魯棒稀疏表示模型
6．3．1 FDDL
6．3．2 RRC模型
6．4 基于字典學(xué)習(xí)的RRC腫瘤細(xì)胞圖像識別
6．4．1 算法設(shè)計
6．4．2 算法實現(xiàn)
6．5 實驗與結(jié)論
6．5．1 灰度化系數(shù)選擇
6．5．2 參數(shù)t值的確定
6．5．3 兩種分類模型的比較
6．5．4 不同稀疏表示分類方法的比較
6．5．5 不同識別方法的比較
6．5．6 結(jié)論