| 中文摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 表目录 | 第10-11页 |
| 图目录 | 第11-13页 |
| 第一章 前言 | 第13-18页 |
| ·背景 | 第13-14页 |
| ·问题 | 第14-15页 |
| ·目的 | 第15-16页 |
| ·全文概览 | 第16-18页 |
| 第二章 PCNN模型和简化PCNN模型(SPCNN) | 第18-21页 |
| ·PCNN模型的发展 | 第18-19页 |
| ·基本PCNN模型 | 第19页 |
| ·简化PCNN模型(SPCNN) | 第19-21页 |
| 第三章 SPCNN模型参数自动设置方法及其在图像分割上的应用 | 第21-43页 |
| ·现有PCNN模型参数自动设置方法 | 第22-23页 |
| ·SPCNN模型的捕捉行为 | 第23-25页 |
| ·动态阈值E和内部活动项U的通式推导 | 第25-28页 |
| ·全连接SPCNN模型中的通式推导 | 第26-27页 |
| ·二神经元SPCNN模型中的通式推导 | 第27-28页 |
| ·分割子段的灰度范围表达式推导 | 第28-32页 |
| ·二神经元SPCNN模型的分割子段灰度范围推导 | 第29-32页 |
| ·SPCNN模型的参数自动设置方法 | 第32-37页 |
| ·参数α_f | 第32-34页 |
| ·参数β | 第34-35页 |
| ·参数V_L | 第35-36页 |
| ·参数α_e | 第36页 |
| ·参数V_E | 第36-37页 |
| ·实验与分析 | 第37-42页 |
| ·小结 | 第42-43页 |
| 第四章 参数自动设置的SPCNN模型在目标识别上的应用 | 第43-109页 |
| ·目标识别概述 | 第43-44页 |
| ·现有目标识别算法 | 第44-47页 |
| ·现有PCNN特征提取和目标检测方法 | 第47-50页 |
| ·本文目标识别算法的整体处理过程 | 第50-51页 |
| ·彩色变换 | 第51-58页 |
| ·rgb-opponent彩色空间适用于SPCNN处理的原因 | 第53页 |
| ·O_1和O_2通道取反得到O_4和O_5 | 第53-58页 |
| ·SPCNN处理 | 第58-63页 |
| ·将图像分割为同步点火区域 | 第59-60页 |
| ·O_3通道在图像分割中的作用 | 第60-63页 |
| ·匹配同步点火区域 | 第63页 |
| ·区域细分 | 第63-67页 |
| ·自适应去除测试图像中的明显背景区域块 | 第67-69页 |
| ·聚类形成 | 第69-71页 |
| ·聚类精炼 | 第71-74页 |
| ·聚类匹配和目标识别结果 | 第74-81页 |
| ·实验与分析 | 第81-106页 |
| ·评价指标 | 第82-83页 |
| ·光照变化环境中的目标识别实验 | 第83-85页 |
| ·复杂多变的现实生活环境中的目标识别实验 | 第85-87页 |
| ·多种不同目标物体的目标识别实验 | 第87-94页 |
| ·评价标准 | 第94-97页 |
| ·全部实验的综合测评 | 第97-106页 |
| ·小结 | 第106-109页 |
| 第五章 结论 | 第109-111页 |
| 附录 | 第111-114页 |
| 参考文献 | 第114-121页 |
| 在学期间的研究成果 | 第121-122页 |
| 致谢 | 第122-123页 |
