| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-26页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 研究现状 | 第10-23页 |
| 1.3 研究内容及方案 | 第23-26页 |
| 1.3.1 研究目标 | 第23页 |
| 1.3.2 研究内容及创新 | 第23-24页 |
| 1.3.3 论文的组织结构 | 第24-26页 |
| 第二章 粒子群进化学习的自适应双通道脉冲耦合神经网络图像融合方法研究 | 第26-50页 |
| 2.1 问题提出 | 第26页 |
| 2.2 双通道脉冲耦合神经网络图像融合及存在的问题 | 第26-32页 |
| 2.2.1 双通道脉冲耦合神经网络（DC-PCNN）图像融合模型 | 第26-28页 |
| 2.2.2 双通道脉冲耦合神经网络图像融合方法存在的问题 | 第28-32页 |
| 2.3 粒子群进化学习双通道脉冲耦合神经网络图像融合方法 | 第32-38页 |
| 2.3.1 粒子群寻优(PSO) | 第33-34页 |
| 2.3.2 双通道脉冲耦合图像融合进化学习多准则优化目标构造 | 第34-36页 |
| 2.3.3 粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法 | 第36-38页 |
| 2.4 仿真实验及分析 | 第38-47页 |
| 2.4.1 评价指标和实验设置 | 第38-39页 |
| 2.4.2 多聚焦图像仿真实验及分析 | 第39-43页 |
| 2.4.3 医学图像仿真实验及分析 | 第43-45页 |
| 2.4.4 参数敏感性分析 | 第45-46页 |
| 2.4.5 复杂真实图像融合仿真实验 | 第46-47页 |
| 2.5 本章小结 | 第47-50页 |
| 第三章 融入压缩感知的新型快速脉冲耦合图像融合方法研究 | 第50-64页 |
| 3.1 问题提出 | 第50-51页 |
| 3.2 相关工作 | 第51-53页 |
| 3.2.1 压缩感知 | 第51-52页 |
| 3.2.2 脉冲耦合神经网络 | 第52-53页 |
| 3.2.3 脉冲耦合神经网络图像融合模型存在的问题 | 第53页 |
| 3.3 融入压缩感知的脉冲耦合神经网络图像融合方法 | 第53-56页 |
| 3.3.1 理论分析 | 第53-54页 |
| 3.3.2 模型框架 | 第54页 |
| 3.3.3 方法实现 | 第54-56页 |
| 3.4 仿真实验 | 第56-62页 |
| 3.4.1 融合质量评价指标与方法简称 | 第56页 |
| 3.4.2 与其他去噪脉冲耦合图像融合方法比较实验 | 第56-62页 |
| 3.4.3 实验分析小结 | 第62页 |
| 3.5 本章小结 | 第62-64页 |
| 第四章 多通道脉冲耦合图像融合方法研究 | 第64-76页 |
| 4.1 问题提出 | 第64-65页 |
| 4.2 多通道脉冲耦合神经网络模型 | 第65-66页 |
| 4.3 链接权重计算方法 | 第66-67页 |
| 4.4 多通道脉冲耦合神经网络图像融合方法 | 第67-69页 |
| 4.4.1 方法框架 | 第67-68页 |
| 4.4.2 方法实现（M-PCNN） | 第68页 |
| 4.4.3 讨论 | 第68-69页 |
| 4.5 仿真实验及分析 | 第69-75页 |
| 4.5.1 图像融合评价指标和比较方法 | 第70页 |
| 4.5.2 与双通道脉冲耦合神经网络图像融合方法比较实验 | 第70-73页 |
| 4.5.3 和其他脉冲耦合和非脉冲耦合神经网络图像融合方法比较实验 | 第73-75页 |
| 4.6 本章小结 | 第75-76页 |
| 第五章 香农熵加权稀疏表示图像融合方法研究 | 第76-98页 |
| 5.1 问题引出 | 第76页 |
| 5.2 稀疏表示 | 第76-77页 |
| 5.3 香农熵多视角加权稀疏表示同步超分图像融合方法 | 第77-85页 |
| 5.3.1 问题提出 | 第77-78页 |
| 5.3.2 香农熵多视角加权 | 第78-81页 |
| 5.3.3 方法框架 | 第81页 |
| 5.3.4 字典学习 | 第81-83页 |
| 5.3.5 方法实现 | 第83-85页 |
| 5.4 仿真实验及分析 | 第85-96页 |
| 5.4.1 评价指标和比较方法简称 | 第85-86页 |
| 5.4.2 不同类型图像仿真实验 | 第86-93页 |
| 5.4.3 与LL、LH、H等比例加权融合效果对比分析 | 第93-95页 |
| 5.4.4 LH、H字典分离学习、合并学习对比分析 | 第95-96页 |
| 5.5 本章小结 | 第96-98页 |
| 第六章 有监督学习医学图像融合方法研究 | 第98-112页 |
| 6.1 问题提出 | 第98-99页 |
| 6.2 有监督学习模型 | 第99-102页 |
| 6.2.1 TSK模糊系统 | 第99-100页 |
| 6.2.2 RBF神经网络 | 第100-101页 |
| 6.2.3 SVR回归模型 | 第101-102页 |
| 6.3 有监督学习图像融合方法 | 第102-104页 |
| 6.3.1 融合框架 | 第102-103页 |
| 6.3.2 方法描述 | 第103-104页 |
| 6.4 仿真实验及分析 | 第104-111页 |
| 6.4.1 评价指标 | 第105页 |
| 6.4.2 实验 | 第105-107页 |
| 6.4.3 分析 | 第107-111页 |
| 6.5 本章小结 | 第111-112页 |
| 第七章 基于监督学习的Takagi Sugeno Kang模糊系统图像融合方法研究 | 第112-120页 |
| 7.1 问题提出 | 第112页 |
| 7.2 TSK模糊系统图像融合方法 | 第112-115页 |
| 7.2.1 方法框架 | 第112-113页 |
| 7.2.2 实现过程 | 第113-115页 |
| 7.2.3 方法实现及分析 | 第115页 |
| 7.3 仿真实验及分析 | 第115-118页 |
| 7.3.1 特定类型学习图像融合实验 | 第115-116页 |
| 7.3.2 无限定图像类型学习融合实验 | 第116-117页 |
| 7.3.3 分析 | 第117-118页 |
| 7.4 本章小结 | 第118-120页 |
| 第八章 基于Hidden Markov Model的医学和多聚焦图像融合方法研究 | 第120-130页 |
| 8.1 问题提出 | 第120页 |
| 8.2 随机场 | 第120-124页 |
| 8.2.1 随机场的原理 | 第121-123页 |
| 8.2.2 优化方法 | 第123-124页 |
| 8.2.3 随机场图像融合的计算 | 第124页 |
| 8.3 算法构造 | 第124-126页 |
| 8.4 仿真实验 | 第126-130页 |
| 第九章 总结与展望 | 第130-134页 |
| 9.1 总结 | 第130-131页 |
| 9.2 展望 | 第131-134页 |
| 致谢 | 第134-136页 |
| 参考文献 | 第136-150页 |
| 附录 | 第150页 |
