声明
第一章 绪 论
1.1 应用背景及研究意义
1.2 国内外研究现状
1.3 论文主要研究内容
第二章 白带显微图像的获取及预处理
2.1 白带显微图像的采集
2.2 白带显微图像中菌类形态特征及临床意义
2.3 白带显微图像的锐化
2.3.1 梯度计算
2.3.2 锐化算子
2.4 白带显微图像的平滑
2.4.1 均值滤波法
2.4.2 中值滤波法
2.4.3 阈值邻域平均法
2.5 白带显微图像的形态学运算
2.5.1 腐蚀及其应用
2.5.2 膨胀及其应用
2.5.3 开运算和闭运算
2.5.4 顶帽运算和底帽运算
2.6 白带显微图像的分割
2.6.1 基于阈值的分割方法
2.6.2 基于边缘的分割方法
2.6.3 基于区域的分割方法
2.6.4 杆菌以及球菌的识别步骤
2.7 整理训练集
2.8 本章小结
第三章 霉菌图像的特征提取
3.1 霉菌图像的Haar特征
3.1.1 Haar特征个数
3.1.2 积分图
3.1.3 提取霉菌图像的Haar特征
3.2 霉菌图像的方向梯度直方图特征
3.2.1 图像方向梯度计算
3.2.2 构建梯度方向直方图
3.2.3 归一化梯度直方图
3.2.4 提取霉菌图像的HOG特征
3.3.1 LBP原理
3.3.2 LBP的改进
3.3.3 双线性插值
3.3.4 提取霉菌样本图像的LBP特征
3.4 霉菌图像的Gabor特征
3.4.1 傅里叶变换
3.4.2 Gabor核
3.4.3 提取霉菌图像的Gabor特征
3.5 主成分分析
3.5.1 最大方差理论
3.5.2 最小二乘法
3.5.3 主成分信息占比
3.5.4 PCA实现
3.6 本章小结
第四章 基于机器学习的霉菌识别算法
4.1.1 评价方法
4.1.2 评价指标
4.2 基于决策树的霉菌识别算法
4.2.1 信息增益
4.2.2 C4.5决策树生成算法
4.2.3 决策树的剪枝
4.2.4 决策树模型的训练
4.3 基于支持向量机的霉菌识别算法
4.3.1 线性分类器
4.3.2 非线性支持向量机
4.3.3 松弛变量
4.3.4 样本偏斜
4.3.5 SVM模型训练
4.4.1 Adaboost介绍
4.4.2 AdaBoost算法过程
4.4.3 Adaboost模型训练
4.5 本章小结
第五章 改进的霉菌机器学习识别算法及结果分析
5.1 改进的霉菌机器学习识别算法
5.2 训练改进后的算法及结果分析
5.3 测试菌类识别算法
5.4 识别结果及分析
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
缩略词
攻读硕士学位期间取得的研究成果