肿瘤细胞图像识别

　　《肿瘤细胞图像识别》主要针对肿瘤细胞图像识别展开论述，介绍了作者多年研究肿瘤细胞图像识别工作的丰富研究成果，肿瘤细胞图像识别是医疗影像智能化的核心技术之一。《肿瘤细胞图像识别》主要针对肿瘤细胞图像识别展开论述，系统论述了目前图像识别相关的热门理论，对流行的多种模式识别理论都有较详细的介绍。《肿瘤细胞图像识别》共分9章，主要内容包括：肿瘤细胞图像识别概论、图像常用预处理方法、图像常用特征提取方法、图像常用识别方法、常用肿瘤细胞图像分类识别方法及其优化，并且重点介绍了作者团队近年来研究的3类肿瘤细胞图像识别模型的架构和算法，介绍了具体实验过程和实验结论，后介绍了实用性的肿瘤诊断病理分析软件，对肿瘤智能化诊断技术做了有益的探索和实践。《肿瘤细胞图像识别》既可作为专业研究人员的参考书，也可作为模式识别初学者的实践学习资料。

暂缺《肿瘤细胞图像识别》作者简介

第1章 肿瘤细胞图像识别概论
1．1 肿瘤细胞图像识别的背景
1．2 肿瘤细胞图像识别的研究现状
1．2．1 国外研究现状
1．2．2 国内研究现状
1．3 肿瘤细胞图像及其特点
1．3．1 原始肿瘤细胞图像
1．3．2 肿瘤细胞图像的特点
1．3．3 灰度化肿瘤细胞图像
第2章 图像常用预处理方法
2．1 图像预处理
2．2 图像灰度化
2．2．1 图像的灰度化
2．2．2 图像的灰度修正
2．3 图像增强
2．3．1 频域图像增强方法
2．3．2 图像的灰度变换
2．3．3 直方图处理
2．3．4 图像的空间域平滑
2．3．5 图像的锐化
第3章 图像常用特征提取方法
3．1 图像特征及常用提取方法概述
3．1．1 图像特征概述
3．1．2 图像常用特征
3．1．3 图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 总体主成分的计算与选取
3．2．3 PCA方法基本流程
3．3 流形学习方法
3．3．1 流形学习概述
3．3．2 流形学习的代表方法
3．3．3 LLE算法原理
3．4 稀疏编码方法
3．4．1 稀疏编码概述
3．4．2 自然图像的稀疏性与稀疏编码模型
3．4．3 稀疏编码模型的统计学原理
3．4．4 稀疏编码方法原理
3．5 压缩感知方法
3．5．1 压缩感知概述
3．5．2 信号的采样过程
3．5．3 CS数学模型
3．5．4 基于CS的特征提取算法原理
第4章 图像常用识别方法
4．1 基于线性判别分析的分类识别方法
4．1．1 LDA概述
4．1．2 LDA方法原理
4．1．3 LDA方法的局限性及解决方法
4．2 基于支持向量机的分类识别方法
4．2．1 SVM概述
4．2．2 SVM方法原理
4．2．3 SVM核函数及多分类方法
4．3 基于决策树的分类识别方法
4．3．1 决策树分类方法概述
4．3．2 决策树分类的步骤
4．3．3 C4．5 决策树算法
4．4 基于贝叶斯的分类识别方法
4．4．1 贝叶斯分类概述
4．4．2 朴素贝叶斯分类方法
4．5 基于神经网络的分类识别方法
4．5．1 神经网络概述
4．5．2 神经网络分类原理
4．5．3 SOFM分类方法
第5章 肿瘤细胞图像的常用识别方法
5．1 基于改进的PCA LDA的肿瘤细胞图像识别
5．1．1 传统PCA LDA变换流程与实现
5．1．2 泛化问题的产生和解决
5．1．3 基于改进PCA LDA的识别算法
5．1．4 实验与结论
5．2 基于双向2DPCA SVM的肿瘤细胞图像识别
5．2．1 2DPCA方法
5．2．2 双向2DPCA特征提取算法原理
5．2．3 基于2DPCA SVM的识别算法
5．2．4 实验与结论
5．3 基于LLE LS SVM的肿瘤细胞图像识别
5．3．1 LLE和LS SVM算法原理
5．3．2 基于LLE LS SVM的识别算法
5．3．3 实验与结论
5．4 基于SAM-CS SOFM的肿瘤细胞图像识别
5．4．1 自适应观测矩阵的压缩感知算法
5．4．2 基于SAM-CS SOFM的识别算法
5．4．3 实验与结论
第6章 基于字典学习的RRC肿瘤细胞图像识别
6．1 稀疏表示分类原理
6．2 稀疏表示模型用于图像识别需要考虑的问题
6．3 FDDL与正则化鲁棒稀疏表示模型
6．3．1 FDDL
6．3．2 RRC模型
6．4 基于字典学习的RRC肿瘤细胞图像识别
6．4．1 算法设计
6．4．2 算法实现
6．5 实验与结论
6．5．1 灰度化系数选择
6．5．2 参数t值的确定
6．5．3 两种分类模型的比较
6．5．4 不同稀疏表示分类方法的比较
6．5．5 不同识别方法的比较
6．5．6 结论