幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

腫瘤細胞圖像識別

  • 作者：甘嵐//周慶忠//趙海霞
  • 出版社：西南交大
  • ISBN：9787564369880
  • 出版日期：2019/08/01
  • 裝幀：平裝
  • 頁數：174
人民幣：RMB 49 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要針對腫瘤細胞圖像識別展開論述，介紹了作者多年研究腫瘤細胞圖像識別工作的豐富研究成果，腫瘤細胞圖像識別是醫療影像智能化的核心技術之一。本書主要針對腫瘤細胞圖像識別展開論述，系統論述了目前圖像識別相關的熱門理論，對流行的多種模式識別理論都有較詳細的介紹。全書共分9章，主要內容包括：腫瘤細胞圖像識別概論、圖像常用預處理方法、圖像常用特徵提取方法、圖像常用識別方法、常用腫瘤細胞圖像分類識別方法及其優化，並且重點介紹了作者團隊近年來研究的3類腫瘤細胞圖像識別模型的架構和演算法，介紹了具體實驗過程和實驗結論，最後介紹了實用性的腫瘤診斷病理分析軟體，對腫瘤智能化診斷技術做了有益的探索和實踐。本書既可作為專業研究人員的參考書，也可作為模式識別初學者的實踐學習資料。
作者介紹
甘嵐//周慶忠//趙海霞
目錄
第1章  腫瘤細胞圖像識別概論
  1.1  腫瘤細胞圖像識別的背景
  1.2  腫瘤細胞圖像識別的研究現狀
    1.2.1  國外研究現狀
    1.2.2  國內研究現狀
  1.3  腫瘤細胞圖像及其特點
    1.3.1  原始腫瘤細胞圖像
    1.3.2  腫瘤細胞圖像的特點
    1.3.3  灰度化腫瘤細胞圖像
第2章  圖像常用預處理方法
  2.1  圖像預處理
  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
    2.3.1  頻域圖像增強方法
    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  圖像常用特徵提取方法
  3.1  圖像特徵及常用提取方法概述
    3.1.1  圖像特徵概述
    3.1.2  圖像常用特徵
    3.1.3  圖像常用特徵提取方法
  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  流形學習方法
    3.3.1  流形學習概述
    3.3.2  流形學習的代表方法
    3.3.3  LLE演算法原理
  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  稀疏編碼模型的統計學原理
    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  信號的採樣過程
    3.5.3  CS數學模型
    3.5.4  基於CS的特徵提取演算法原理
第4章  圖像常用識別方法
  4.1  基於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  基於支持向量機的分類識別方法
    4.2.1  SVM概述

    4.2.2  SVM方法原理
    4.2.3  SVM核函數及多分類方法
  4.3  基於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  決策樹演算法
  4.4  基於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  基於神經網路的分類識別方法
    4.5.1  神經網路概述
    4.5.2  神經網路分類原理
    4.5.3  SOFM分類方法
第5章  腫瘤細胞圖像的常用識別方法
  5.1  基於改進的PCA+LDA的腫瘤細胞圖像識別
    5.1.1  傳統PCA+LDA變換流程與實現
    5.1.2  泛化問題的產生和解決
    5.1.3  基於改進PCA+LDA的識別演算法
    5.1.4  實驗與結論
  5.2  基於雙向2DPCA+SVM的腫瘤細胞圖像識別
    5.2.1  2DPCA方法
    5.2.2  雙向2DPCA特徵提取演算法原理
    5.2.3  基於2DPCA+SVM的識別演算法
    5.2.4  實驗與結論
  5.3  基於LLE+LS SVM的腫瘤細胞圖像識別
    5.3.1  LLE和LS SVM演算法原理
    5.3.2  基於LLE+LS SVM的識別演算法
    5.3.3  實驗與結論
  5.4  基於SAM-CS+SOFM的腫瘤細胞圖像識別
    5.4.1  自適應觀測矩陣的壓縮感知演算法
    5.4.2  基於SAM-CS+SOFM的識別演算法
    5.4.3  實驗與結論
第6章  基於字典學習的RRC腫瘤細胞圖像識別
  6.1  稀疏表示分類原理
  6.2  稀疏表示模型用於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  基於字典學習的RRC腫瘤細胞圖像識別
    6.4.1  演算法設計
    6.4.2  演算法實現
  6.5  實驗與結論
    6.5.1  灰度化係數選擇
    6.5.2  參數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  論
第7章  基於QSOFM的腫瘤細胞圖像識別
  7.1  OSOFM概述

    7.1.1  ANN和QNN的比較
    7.1.2  量子神經元模型
    7.1.3  QSOFM模型
    7.1.4  QSOFM演算法
  7.2  基於QSOFM的腫瘤細胞圖像識別
    7.2.1  特徵提取
    7.2.2  演算法流程圖
    7.2.3  工作演算法步驟
  7.3  實驗與結論
    7.3.1  數據準備
    7.3.2  參數選擇
    7.3.3  對比實驗
    7.3.4  結  論
第8章  基於兩級SOFM的腫瘤細胞圖像識別
  8.1  兩級SOFM神經網路模型的構建
    8.1.1  第一層SOFM網路的構建
    8.1.2  第二層SOFM網路的構建
  8.2  兩級SOFM神經網路分類器設計
    8.2.1  分類器設計思想
    8.2.2  分類識別演算法設計
    8.2.3  實驗結果分析
  8.3  融合PCA和兩級SOFM神經網路的分類器設計
    8.3.1  PCA的應用
    8.3.2  分類識別演算法設計
  8.4  實驗與結論
    8.4.1  實驗過程
    8.4.2  實驗比較
    8.4.3  結  論
第9章  腫瘤診斷病理分析軟體
  9.1  需求背景
  9.2  系統總體設計
    9.2.1  模塊設計
    9.2.2  軟體演算法設計
  9.3  技術方案和技術路線
    9.3.1  平台和工具的選擇
    9.3.2  技術方案和技術路線
  9.4  腫瘤診斷病理分析軟體主要功能
    9.4.1  病人圖像信息錄入
    9.4.2  病理統計
    9.4.3  手動識別
    9.4.4  自動識別
    9.4.5  病理列印
  9.5  系統技術特點
    9.5.1  圖像預處理方法的組合應用
    9.5.2  圖像分割演算法的最優選取
    9.5.3  多層次和多角度的手動識別
    9.5.4  特徵模型的降維處理
    9.5.5  軟體的設計原則
  9.6  展  望
    9.6.1  手動識別

    9.6.2  自動識別
附表
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032