| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 图像分割技术简介 | 第8页 |
| 1.1.2 研究意义及其应用价值 | 第8-9页 |
| 1.2 图像分割的研究状况 | 第9-12页 |
| 1.2.1 基于区域的分割方法 | 第9-10页 |
| 1.2.2 基于边缘的分割方法 | 第10-11页 |
| 1.2.3 基于区域和边缘技术相结合的分割方法 | 第11页 |
| 1.2.4 基于特定理论的分割方法 | 第11-12页 |
| 1.3 论文的主要贡献 | 第12-13页 |
| 1.4 论文的内容安排 | 第13-15页 |
| 第二章 基于直方图和单位脉冲耦合神经网络的图像分割方法 | 第15-27页 |
| 2.1 脉冲耦合神经网络(PCNN) | 第15-18页 |
| 2.1.1 脉冲耦合神经网络及其应用 | 第15-16页 |
| 2.1.2 单位连接的脉冲耦合神经网络(Unit-linking PCNN) | 第16-17页 |
| 2.1.3 单位连接的脉冲耦合神经网络实现图像分割 | 第17-18页 |
| 2.2 基于直方图阈值处理和Unit-linking PCNN的图像分割 | 第18-20页 |
| 2.2.1 基于直方图的PCNN图像分割算法 | 第18-19页 |
| 2.2.2 基于直方图的PCNN分割法和直方图多阈值分割法的优势比较 | 第19-20页 |
| 2.3 实验结果与分析 | 第20-26页 |
| 2.4 本章总结 | 第26-27页 |
| 第三章 基于边缘乘积互信息准则的脉冲耦合神经网络实现图像分割 | 第27-37页 |
| 3.1 图像分割效果评价准则简介 | 第27-30页 |
| 3.1.1 最大香农熵准则 | 第27-28页 |
| 3.1.2 最小交叉熵准则 | 第28页 |
| 3.1.3 最大类间熵准则 | 第28-29页 |
| 3.1.4 最大互信息量准则 | 第29-30页 |
| 3.2 边缘乘积互信息准则 | 第30-33页 |
| 3.2.1 边缘互信息 | 第30-31页 |
| 3.2.2 乘积型新信息熵 | 第31-32页 |
| 3.2.3 边缘乘积互信息 | 第32-33页 |
| 3.3 实验结果与分析 | 第33-35页 |
| 3.4 本章总结 | 第35-37页 |
| 第四章 三维单位脉冲耦合神经网络用于图像分割 | 第37-44页 |
| 4.1 三维图像的分割方法简介 | 第37-39页 |
| 4.1.1 分类器算法 | 第37-38页 |
| 4.1.2 三维边缘检测 | 第38页 |
| 4.1.3 三维Otsu法 | 第38-39页 |
| 4.2 三维单位脉冲耦合神经网络模型用于图像分割 | 第39-40页 |
| 4.3 基于直方图和3D Unit-linking PCNN的图像分割算法 | 第40-41页 |
| 4.4 实验结果与分析 | 第41-43页 |
| 4.5 本章总结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 攻读硕士期间撰写,发表的论文 | 第50-51页 |
| 致谢 | 第51-52页 |
