| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 选题背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 图像增强的研究现状 | 第8-9页 |
| 1.2.2 图像分割的研究现状 | 第9-10页 |
| 1.2.3 脉冲耦合神经网络的研究现状 | 第10页 |
| 1.3 章节安排及创新点 | 第10-12页 |
| 第二章 图像增强与分割的基本理论 | 第12-23页 |
| 2.1 图像增强概述 | 第12-13页 |
| 2.2 常用的图像增强算法 | 第13-18页 |
| 2.3 图像分割及其质量评价 | 第18-19页 |
| 2.3.1 图像分割定义 | 第18-19页 |
| 2.3.2 图像分割效果评价 | 第19页 |
| 2.4 经典图像分割算法 | 第19-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 脉冲耦合神经网络的基本理论 | 第23-32页 |
| 3.1 视觉神经网络 | 第23-26页 |
| 3.1.1 人类视觉系统 | 第23-24页 |
| 3.1.2 视觉神经网络发展 | 第24-26页 |
| 3.2 脉冲耦合神经网络 | 第26-31页 |
| 3.2.1 脉冲耦合神经网络的基本模型 | 第26-27页 |
| 3.2.2 脉冲耦合神经网络的工作原理 | 第27-30页 |
| 3.2.3 脉冲耦合神经网络的特性 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 脉冲耦合神经网络在图像增强中的研究与改进 | 第32-43页 |
| 4.1 基于脉冲耦合神经网络的图像增强 | 第32-34页 |
| 4.1.1 简化的脉冲耦合神经网络模型 | 第32页 |
| 4.1.2 脉冲耦合神经网络图像增强原理 | 第32-34页 |
| 4.2 Directionlet变换理论 | 第34-37页 |
| 4.2.1 多尺度几何分析理论 | 第34-35页 |
| 4.2.2 二维各向异性小波变换 | 第35-36页 |
| 4.2.3 Directionlet变换理论其实实现 | 第36-37页 |
| 4.3 基于Directionlet变换与改进参数PCNN的图像增强 | 第37-41页 |
| 4.3.1 PCNN参数及改进 | 第37-39页 |
| 4.3.2 D-PCNN增强算法的实现 | 第39页 |
| 4.3.3 实验结果及分析 | 第39-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第五章 脉冲耦合神经网络在图像分割中的研究与改进 | 第43-53页 |
| 5.1 PCNN模型的改进 | 第43页 |
| 5.2 脉冲耦合神经网络图像分割原理 | 第43-44页 |
| 5.3 图像二维熵 | 第44-45页 |
| 5.4 基于图像二维熵和PCNN的图像自适应分割 | 第45-52页 |
| 5.4.1 PCNN参数的重构 | 第45-47页 |
| 5.4.2 基于PCNN和二维熵的图像自适应分割算法 | 第47-48页 |
| 5.4.3 实验结果及分析 | 第48-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-56页 |
| 6.1 本文工作总结 | 第53-54页 |
| 6.2 未来工作展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61-62页 |
