生物醫(yī)學信息與圖像處理

內容概要

　　本書著重介紹了模糊數(shù)學在生物醫(yī)學中的應用方法及以小波理論與神經(jīng)網(wǎng)絡為主要工具的生物醫(yī)學圖像處理技術。內容涉及生物醫(yī)學信息與圖像處理基礎理論；模糊數(shù)學方法在疾病診斷、中醫(yī)辨證、青少年個體體質與視力評價、疾病預測、足跡識別等中的應用；以小波變換和脈沖耦合神經(jīng)網(wǎng)絡(PCNN)為工具并結合形態(tài)學的超聲醫(yī)學圖像去噪算法；基于自適應低通濾波的超聲醫(yī)學圖像增強算法及基于小波變換和線型中值濾波的指紋圖像增強算法；利用小波多尺度分析和神經(jīng)網(wǎng)絡理論的指紋圖像分割與壓縮算法，利用整數(shù)提升小波和PCNN的醫(yī)學圖像分割與壓縮算法；根據(jù)醫(yī)學細胞圖像邊緣灰度級梯度較大、細胞噪聲點多的特性，結合形態(tài)學與蟻群算法的醫(yī)學細胞邊緣檢測算法。
　　本書內容系統(tǒng)、新穎，適合生物醫(yī)學工程領域的科技工作者研讀，也可作為高等學校相關專業(yè)研究生的參考書。

書籍目錄

前言
第1章 生物醫(yī)學信息與圖像處理基礎
　1.1 模糊數(shù)學基礎理論
　　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)學方法
　　1.1.4 權重?確定方法
　1.2 小波變換基礎理論
　　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
　1.3 神經(jīng)網(wǎng)絡基礎理論
　　1.3.1 神經(jīng)網(wǎng)絡結構
　　1.3.2 脈沖耦合神經(jīng)網(wǎng)絡基本原理及性能分析
第2章 模糊數(shù)學在生物醫(yī)學中的應用
　2.1 模糊模式識別法在生物醫(yī)學中的應用
　　2.1.1 新生兒疾病的模糊集診斷方法
　　2.1.2 模糊模式識別法在氣虛辨證中的應用
　2.2 模糊綜合評判法在生物醫(yī)學中的應用
　　2.2.1 肺部疾病診斷的模糊數(shù)學評判模型
　　2.2.2 兒童少年個體體質評價的模糊數(shù)學模型
　　2.2.3 模糊綜合評價模型評價醫(yī)學生客觀結構化臨床考試能力
　　2.2.4 模糊綜合評判法預測冠心病的先兆
　2.3 模糊熵與模糊積分決策模型在生物醫(yī)學中的應用
　　2.3.1 信息熵用于定量分析乳腺病的輔助診斷
　　2.3.2 用模糊熵評估青少年學生視力
　　2.3.3 模糊積分模型預測葡萄胎惡變傾向
　　2.3.4 信息熵一模糊積分決策模型的心臟病放射診斷專家系統(tǒng)
　2.4 模糊聚類分析用于青少年發(fā)育的年齡分期
　2.5 模糊關系方程在生物醫(yī)學中的應用
　　2.5.1 模糊關系方程分析青少年后天近視因素
　　2.5.2 用模糊關系方程識別男女足跡
　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)學圖像去噪算法
　3.1 超聲醫(yī)學圖像去噪概論
　　3.1.1 超聲醫(yī)學圖像去噪算法
　　3.1.2 超聲醫(yī)學圖像去噪性能指標
　3.2 基于小波變換的超聲醫(yī)學圖像去噪算法
　　3.2.1 斑點噪聲
　　3.2.2 小波閾值去噪
　　3.2.3 改進的自適應?值去噪算法
　3.3 基于形態(tài)學的小波閾值去噪算法
　　3.3.1 數(shù)學形態(tài)學理論
　　3.3.2 基于形態(tài)學的小波閾值去噪算法
　　3.3.3 實驗及結果分析
　3.4 基于PCNN與模糊集的小波域超聲醫(yī)學圖像去噪算法
　　3.4.1 PCNN去噪
　　3.4.2 基于PCNN的小波域超聲醫(yī)學圖像去噪算法
　　3.4.3 基于PCNN的超聲醫(yī)學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 實驗及結果分析
第4章 基于自適應濾波與小波變換的生物醫(yī)學圖像增強算法
　4.1 基于自適應低通濾波的超聲醫(yī)學圖像增強算法
　　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 自適應鄰域直方圖均衡算法
　　4.1.4 基于自適應低通濾波的圖像增強算法
　　4.1.5 實驗及結果分析
　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算法
　4.3 基于小波變換和Gabor濾波的指紋圖像增強算法
第5章 基于小波變換和神經(jīng)網(wǎng)絡的生物醫(yī)學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 實驗及結果分析
　5.2 基于PCNN及其改進的圖像分割算法
　　5.2.1 基于PCNN的圖像分割算法
　　5.2.2 基于改進PCNN的圖像分割算法
　5.3 圖像壓縮質量評價標準
　5.4 基于提升小波和PCNN的醫(yī)學圖像ROI壓縮算法
　　5.4.1 算法整體流程及預處理過程
　　5.4.2 基于整數(shù)5／3提升小波的無損壓縮算法
　　5.4.3 基于PCNN與游程編碼的有損壓縮算法
　　5.4.4 實驗及結果分析
　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 實驗及結果分析
　5.6 基于小波變換和神經(jīng)網(wǎng)絡的指紋圖像壓縮算法
　　5.6.1 人工神經(jīng)網(wǎng)絡的圖像壓縮原理
　　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 實驗及結果分析
第6章 基于形態(tài)學與模糊集的生物醫(yī)學圖像邊緣檢測算法
　6.1 基于改進形態(tài)邊緣檢測算子的醫(yī)學圖像邊緣檢測算法
　　6.1.1 形態(tài)學邊緣檢測算子
　　6.1.2 改進的形態(tài)邊緣檢測算子
　　6.1.3 實驗及結果分析
　6.2 基于形態(tài)學和蟻群算法的醫(yī)學細胞圖像邊緣檢測算法
　　6.2.1 細胞圖像的數(shù)學形態(tài)學處理算法
　　6.2.2 基于蟻群算法的醫(yī)學細胞圖像邊緣檢測算法
　　6.2.3 實驗及結果分析
　6.3 基于模糊集和遺傳算法的醫(yī)學圖像邊緣檢測算法
　　6.3.1 模糊邊緣檢測算法
　　6.3.2 改進后的邊緣檢測算法
參考文獻

章節(jié)摘錄

　　4.2基于小波變換和線型中值　　濾波的指紋圖像增強算法　　采集獲得的指紋圖像通常都伴隨著各種各樣的噪聲，這些噪聲的存在嚴重影響了指紋識別的準確性。有效地對指紋圖像進行增強，有利于提高指紋特征提取的準確率，從而提高指紋識別系統(tǒng)的性能。　　本節(jié)在介紹指紋圖像增強的目的和一般方法的基礎上，提出了一種基于小波變換和線型中值濾波的指紋圖像增強算法（fingerprint image enhancement basedon wavelet transform and median filter，F(xiàn)IEWTMF），并通過仿真實驗驗證了該算法的有效性。 　　4.2.1 指紋圖像　　在計算機自動指紋識別技術中，提取正確、可靠而有效的指紋特征信息是進行最終指紋匹配的基礎，而指紋特征信息提取的準確性又直接依賴于指紋圖像自身的質量。質量良好的指紋圖像，可以比較精確地對特征點進行定位，偽特征點也相對較少。但是在實際應用中，由于受采集設備和活體指紋采集條件等因素的限制，所采集的指紋圖像有不少是質量比較差的。這些因素主要包括以下幾點：　　（1）當今所用的指紋采集儀器主要是光電觸摸式，這種指紋采集儀在采集活體指紋時要求將手指放在指紋采集儀上，并且有一定強度的按壓，這樣就直接導致 　  ……

圖書封面

評論、評分、閱讀與下載

---

    生物醫(yī)學信息與圖像處理 PDF格式下載

---