基于脉冲耦合神经网络的车辆图像分割研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-8页 |
| ABSTRACT | 第8-12页 |
| 1 绪论 | 第12-27页 |
| ·引言 | 第12-13页 |
| ·研究背景及意义 | 第13-16页 |
| ·研究现状及面临的问题 | 第16-24页 |
| ·论文研究内容、主要贡献及创新 | 第24-26页 |
| ·论文结构 | 第26-27页 |
| 2 脉冲耦合神经网络模型参数的自适应选取 | 第27-43页 |
| ·引言 | 第27页 |
| ·脉冲耦合神经网络模型 | 第27-30页 |
| ·脉冲耦合神经网络模型的简化 | 第30-32页 |
| ·脉冲耦合神经网络模型主要参数的优化 | 第32-37页 |
| ·脉冲耦合神经网络模型初始阈值的选取 | 第32-34页 |
| ·脉冲耦合神经网络模型耦合参数的选取 | 第34-37页 |
| ·参数优化的脉冲耦合神经网络图像分割 | 第37-38页 |
| ·实验结果及分析 | 第38-41页 |
| ·本章小结 | 第41-43页 |
| 3 基于脉冲耦合神经网络的运动车辆阴影消除模型 | 第43-58页 |
| ·引言 | 第43页 |
| ·低层特征的图像分割 | 第43-50页 |
| ·图像亮度特征与脉冲耦合神经网络 | 第44-47页 |
| ·图像中阴影属性与色度直方图 | 第47-50页 |
| ·运动车辆阴影消除方法 | 第50-52页 |
| ·实验结果及分析 | 第52-57页 |
| ·车辆阴影消除结果 | 第52-56页 |
| ·阴影消除结果分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 4 基于视觉感受野特性的脉冲耦合神经网络分割模型 | 第58-72页 |
| ·引言 | 第58页 |
| ·神经元感受野 | 第58-61页 |
| ·神经元感受野模型 | 第61-64页 |
| ·高斯差模型 | 第61-63页 |
| ·Gabor函数模型 | 第63-64页 |
| ·RF-PCNN图像分割模型 | 第64-67页 |
| ·实验结果及分析 | 第67-71页 |
| ·算法分割结果 | 第67-70页 |
| ·算法性能分析 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 5 基于视觉注意机制的脉冲耦合神经网络分割模型 | 第72-89页 |
| ·引言 | 第72页 |
| ·数据驱动的注意模型 | 第72-76页 |
| ·图像初级特征提取 | 第73-74页 |
| ·多特征图合并策略 | 第74-75页 |
| ·注意焦点转移机制 | 第75-76页 |
| ·任务驱动的注意模型 | 第76-77页 |
| ·局部不变性特征 | 第77-79页 |
| ·组合不变矩特征 | 第77-78页 |
| ·局部灰度熵 | 第78-79页 |
| ·VAMPCNN图像分割模型 | 第79-84页 |
| ·尺度空间 | 第80-82页 |
| ·感兴趣目标的特征尺度与最佳尺度 | 第82页 |
| ·多尺度空间中感兴趣目标的分割 | 第82-84页 |
| ·实验结果及分析 | 第84-88页 |
| ·实验结果 | 第84-86页 |
| ·分割性能分析 | 第86-88页 |
| ·本章小结 | 第88-89页 |
| 6 结论 | 第89-92页 |
| ·总结 | 第89-90页 |
| ·展望 | 第90-92页 |
| 参考文献 | 第92-100页 |
| 索引 | 第100-102页 |
| 作者简历 | 第102-106页 |
| 学位论文数据集 | 第106页 |
