| 第一章 绪论 | 第1-12页 |
| ·凹点检测及其发展状况 | 第8-9页 |
| ·图像融合及其发展状况 | 第9页 |
| ·模式分类及其发展状况 | 第9-10页 |
| ·运动检测及其发展状况 | 第10页 |
| ·本文结构与安排 | 第10-12页 |
| ·本文的主要工作 | 第10-11页 |
| ·本文的结构 | 第11-12页 |
| 第二章 基于脉冲耦合神经网络的凹点检测 | 第12-18页 |
| ·PCNN应用于图像凹点检测的基本原理及改进模型 | 第12-14页 |
| ·PCNN应用于凹点检测的基本性质 | 第12页 |
| ·用于图像分割的PCNN Sigmoid模型 | 第12-13页 |
| ·用于峰值检测的PCNN改进模型 | 第13-14页 |
| ·基于PCNN的凹点检测算法 | 第14-15页 |
| ·实验结果及分析 | 第15-17页 |
| ·结论 | 第17-18页 |
| 第三章 基于脉冲耦合神经网络的图像融合 | 第18-24页 |
| ·图像融合基础 | 第18-19页 |
| ·图像融合的概念 | 第18页 |
| ·图像融合的层次分类 | 第18-19页 |
| ·图像融合的目的 | 第19页 |
| ·基于小波的图像融合 | 第19页 |
| ·PCNN应用于图像融合的基本原理及改进模型 | 第19-21页 |
| ·PCNN应用于图像融合的基本性质 | 第19页 |
| ·PCNN应用于图像融合的改进模型 | 第19-20页 |
| ·并行PCNN网络群的特性分析 | 第20页 |
| ·PCNN图像融合基本思想 | 第20-21页 |
| ·实验结果及分析 | 第21-23页 |
| ·结论 | 第23-24页 |
| 第四章 基于脉冲耦合神经网络的分类器设计(1) | 第24-31页 |
| ·PCNN应用于模式分类的基本原理和PCNNS网络模型 | 第24-27页 |
| ·PCNN应用于模式分类的几个特性 | 第24-25页 |
| ·单个网络内部运行行为 | 第25页 |
| ·并行网络之间的侧抑制运行行为 | 第25-26页 |
| ·并行网络之间的竞争机制运行行为 | 第26-27页 |
| ·PCNN分类具体实现 | 第27页 |
| ·实验结果及分析 | 第27-30页 |
| ·结论 | 第30-31页 |
| 第五章 基于脉冲耦合神经网络的分类器设计(2) | 第31-37页 |
| ·基于耦合神经元点火捕获／抑制特性的分类器分析 | 第31-32页 |
| ·约束距离下的PCNN分类方法 | 第32-33页 |
| ·改进机理分析 | 第32-33页 |
| ·约束距离的PCNN分类方法实现 | 第33页 |
| ·两种方法之间的关系 | 第33页 |
| ·试验结果及分析 | 第33-36页 |
| ·试验结果 | 第33-35页 |
| ·实验分析 | 第35-36页 |
| ·结论 | 第36-37页 |
| 第六章 基于脉冲耦合神经网络的运动检测 | 第37-43页 |
| ·提取序列图像运动特征的累积差分思想 | 第37-38页 |
| ·差分图像 | 第37页 |
| ·累积差分图像 | 第37-38页 |
| ·PCNN及其运动检测 | 第38-40页 |
| ·反映时间和空间连接的PCNN改进模型及自动波 | 第39页 |
| ·PCNN模拟物体的运动轨迹 | 第39页 |
| ·PCNN检测物体的运动方向 | 第39-40页 |
| ·实验结果及分析 | 第40-42页 |
| ·实验结果 | 第40-42页 |
| ·实验分析 | 第42页 |
| ·结论 | 第42-43页 |
| 结束语 | 第43-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 研究成果 | 第47-48页 |