| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·课题的研究背景及意义 | 第10页 |
| ·数字图像处理技术研究内容与发展现状 | 第10-12页 |
| ·数字图像处理技术研究内容 | 第10-12页 |
| ·数字图像处理技术发展现状 | 第12页 |
| ·人工神经网络的基本概念 | 第12-14页 |
| ·生物神经元系统 | 第12-13页 |
| ·人工神经元模型 | 第13-14页 |
| ·神经网络的发展与研究现状 | 第14-15页 |
| ·课题研究的主要内容与系统实现的技术路线 | 第15-17页 |
| ·课题研究的主要内容 | 第15-16页 |
| ·系统实现的技术路线 | 第16-17页 |
| 第2章 图像的数字化与平滑处理 | 第17-33页 |
| ·图像的数字化 | 第17-23页 |
| ·数字图像 | 第17-19页 |
| ·采样与量化 | 第19-22页 |
| ·采样、量化参数与数字化图像间的关系 | 第22-23页 |
| ·处理图像的像素数 | 第23页 |
| ·图像的平滑处理方法概述 | 第23-32页 |
| ·常用的图像平滑处理方法 | 第24-27页 |
| ·改进的中值滤波法 | 第27-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于SOFM 神经网络的图像特征提取 | 第33-49页 |
| ·以图像分析、识别为目的的特征提取 | 第33-34页 |
| ·图像特征评价 | 第34-36页 |
| ·现有图像特征提取方法 | 第36页 |
| ·神经网络中的特征提取 | 第36-38页 |
| ·自组织特征映射神经网络 | 第38-44页 |
| ·SOFM 网络的结构和工作原理 | 第38-40页 |
| ·SOFM 网络的算法分析、学习及工作规则 | 第40-44页 |
| ·基于SOFM 神经网络的图像特征提取 | 第44-48页 |
| ·输入特征向量的建立 | 第44-45页 |
| ·基于SOFM 网络的特征提取仿真试验 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 基于新型二层BP 网络的图像压缩 | 第49-69页 |
| ·图像压缩理论及方法 | 第49-54页 |
| ·图像压缩简介 | 第49-51页 |
| ·图像压缩标准 | 第51-52页 |
| ·常用神经网络模型 | 第52-53页 |
| ·基于神经网络的图像压缩机理和优势 | 第53-54页 |
| ·新型二层BP 神经网络结构的引入 | 第54-62页 |
| ·新型二层BP 神经网络结构的引入 | 第54-55页 |
| ·新型二层BP 神经网络的传递函数 | 第55-56页 |
| ·新型二层BP 神经网络算法的数学推导 | 第56-59页 |
| ·新型二层BP 网络的设计 | 第59-60页 |
| ·网络学习的具体步骤 | 第60-62页 |
| ·新型二层BP 网络的改进 | 第62-65页 |
| ·基于动量新型二层BP 网络的图像压缩实验 | 第65-67页 |
| ·本章小结 | 第67-69页 |
| 第5章 基于RBF-BP 神经网络的图像数据修补 | 第69-85页 |
| ·数字图像恢复技术和修补技术回顾 | 第69-71页 |
| ·数字图像恢复技术 | 第69页 |
| ·数字图像修补技术 | 第69-71页 |
| ·图像修补的特殊性 | 第71-73页 |
| ·RBF-BP 混合型神经网络的结合方式及算法过程 | 第73-76页 |
| ·RBF 神经网络与BP 神经网络的结合方式 | 第73页 |
| ·神经网络的算法过程 | 第73-76页 |
| ·基于RBF-BP 神经网络的图像数据修补 | 第76-84页 |
| ·网络结构的确定 | 第76-77页 |
| ·图像数据修补神经网络的模型建立 | 第77-78页 |
| ·图像数据修补网络的传递函数 | 第78页 |
| ·图像数据修补仿真输出及分析 | 第78-84页 |
| ·本章小结 | 第84-85页 |
| 结论 | 第85-86页 |
| 参考文献 | 第86-92页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第92-93页 |
| 致谢 | 第93-94页 |
| 作者简介 | 第94页 |