| 摘要 | 第1-8页 |
| Abstract | 第8-12页 |
| 第1章 绪论 | 第12-21页 |
| ·课题研究背景 | 第12页 |
| ·脉冲耦合网络神经研究现状 | 第12-14页 |
| ·脉冲耦合神经网络在图像处理中的应用及国内外研究现状 | 第14-18页 |
| ·图像去噪研究现状 | 第14-15页 |
| ·图像增强研究现状 | 第15-16页 |
| ·图像分割研究现状 | 第16-18页 |
| ·选题的目的和意义 | 第18页 |
| ·本文的主要工作和内容安排 | 第18-21页 |
| 第2章 脉冲耦合神经网络的基本理论 | 第21-28页 |
| ·引言 | 第21页 |
| ·脉冲耦合神经网络的基本模型 | 第21-23页 |
| ·本文选用的脉冲耦合神经网络的简化模型 | 第23-24页 |
| ·脉冲耦合神经网络的工作原理 | 第24-25页 |
| ·无耦合连接 | 第24-25页 |
| ·耦合连接 | 第25页 |
| ·脉冲耦合神经网络的基本特性 | 第25-26页 |
| ·脉冲耦合神经网络的性能参数 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于简化型 PCNN 图像滤波算法 | 第28-40页 |
| ·噪声的特点与分类 | 第28-31页 |
| ·传统图像滤波方法 | 第31-32页 |
| ·简化型 PCNN 在混合噪声滤波处理中的应用 | 第32-39页 |
| ·算法仿真与分析 | 第34-37页 |
| ·几种滤波算法的比较 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于 PCNN 的超声图像增强算法 | 第40-51页 |
| ·已有的超声图像增强算法 | 第40-42页 |
| ·基于 PCNN 的图像增强算法 | 第42-45页 |
| ·人眼视觉特性 | 第42-43页 |
| ·PCNN 与人眼视觉特性 | 第43页 |
| ·算法描述 | 第43-45页 |
| ·算法仿真与评价 | 第45-50页 |
| ·图像增强的评价方法 | 第45-46页 |
| ·仿真实验的对比 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 基于简化型 PCNN 的自适应超声图像自动分割算法 | 第51-64页 |
| ·超声图像分割研究现状 | 第51-54页 |
| ·传统医学超声图像分割方法 | 第51-52页 |
| ·目前图像分割领域中存在的问题 | 第52-54页 |
| ·基于粒子群优化的脉冲耦合神经网络图像分割算法 | 第54-59页 |
| ·粒子群优化算法的基本原理 | 第54-56页 |
| ·基于 PSO 和 PCNN 分割算法 | 第56-59页 |
| ·分割算法的适应度函数的选择 | 第57-58页 |
| ·具体实现步骤 | 第58页 |
| ·图像分割评价方法 | 第58-59页 |
| ·算法仿真 | 第59-62页 |
| ·自然灰度图像仿真实验 | 第59-60页 |
| ·肝癌超声图像仿真实验 | 第60-61页 |
| ·实验结果分析及评价 | 第61-62页 |
| ·本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第71-72页 |
| 致谢 | 第72-73页 |