| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 数字图像处理的基本特点 | 第10-11页 |
| 1.3 数字图像处理的国内外研究现状 | 第11-18页 |
| 1.3.1 图像分割 | 第11-14页 |
| 1.3.2 图像去噪 | 第14-16页 |
| 1.3.3 图像融合 | 第16-17页 |
| 1.3.4 图像识别 | 第17-18页 |
| 1.4 目前研究存在的问题及发展方向 | 第18-19页 |
| 1.5 论文的研究内容 | 第19-21页 |
| 第2章 脉冲耦合神经网络 | 第21-27页 |
| 2.1 PCNN神经网络的在图像处理方面的应用研究 | 第21-22页 |
| 2.2 PCNN神经网络 | 第22-25页 |
| 2.2.1 脉冲耦合神经网络（PCNN）的基本模型 | 第22-23页 |
| 2.2.2 PCNN所具有的特性 | 第23-24页 |
| 2.2.3 PCNN与数字图像处理 | 第24-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 基于简化型PCNN图像去噪算法 | 第27-43页 |
| 3.1 图像噪声的特点及模型 | 第27-30页 |
| 3.2 图像去噪方法 | 第30页 |
| 3.2.1 线性滤波器 | 第30页 |
| 3.2.2 非线性滤波器 | 第30页 |
| 3.3 一种基于PCNN与IMF相结合的椒盐噪声去除方法 | 第30-32页 |
| 3.3.1 简化的PCNN模型 | 第31页 |
| 3.3.2 改进的中值滤波（IMF算法） | 第31-32页 |
| 3.3.3 去噪方法描述 | 第32页 |
| 3.4 实验结果及分析 | 第32-42页 |
| 3.4.1 主观分析 | 第33-41页 |
| 3.4.2 性能指标分析 | 第41-42页 |
| 3.4.3 实验结果分析 | 第42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于PCNN参数自适应的图像分割 | 第43-55页 |
| 4.1 PCNN及其简化模型 | 第43-44页 |
| 4.2 量子免疫遗传算法 | 第44-45页 |
| 4.2.1 量子编码 | 第44-45页 |
| 4.2.2 抗体亲和度 | 第45页 |
| 4.2.3 抗体浓度及聚合适应度 | 第45页 |
| 4.3 基于PCNN参数自适应的图像分割算法 | 第45-49页 |
| 4.3.1 基于量子免疫遗传算法动态阈值参数θ的确定 | 第46-48页 |
| 4.3.2 阈值调节参数δ的确定 | 第48页 |
| 4.3.3 连接系数β 的确定 | 第48-49页 |
| 4.3.4 衰减系数(?)的确定 | 第49页 |
| 4.4 实验结果及分析 | 第49-54页 |
| 4.4.1 主观分析 | 第49-51页 |
| 4.4.2 客观评价标准 | 第51-53页 |
| 4.4.3 实验结果分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 全文总结 | 第55页 |
| 5.2 发展与展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 作者简介 | 第63-65页 |
| 致谢 | 第65页 |
