| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第一章 绪论 | 第13-25页 |
| ·研究背景和意义 | 第13-14页 |
| ·国内外ROI 检测的研究现状 | 第14-16页 |
| ·国内外研究现状 | 第14-16页 |
| ·对各研究的总结 | 第16页 |
| ·脉冲耦合神经网络 | 第16-22页 |
| ·PCNN 模型概述 | 第17-18页 |
| ·PCNN 的特性 | 第18-20页 |
| ·PCNN 的典型应用 | 第20-22页 |
| ·PCNN 研究的总结 | 第22页 |
| ·主要工作和结构安排 | 第22-25页 |
| 第二章 改进的PCNN 模型及其应用 | 第25-54页 |
| ·引言 | 第25页 |
| ·应用于图像处理的PCNN 模型 | 第25-28页 |
| ·传统PCNN 及其改进模型 | 第25-27页 |
| ·传统PCNN 模型及其改进模型的缺陷和不足 | 第27-28页 |
| ·LMO-PCNN 模型及其分析 | 第28-38页 |
| ·LMO-PCNN 模型 | 第28-31页 |
| ·LMO-PCNN 模型分析 | 第31-35页 |
| ·LMO-PCNN 模型的网络参数分析 | 第35-38页 |
| ·LMO-PCNN 模型的特性 | 第38页 |
| ·基于LAO-PCNN 的混合噪声滤波 | 第38-53页 |
| ·引言 | 第39-40页 |
| ·LAO-PCNN 模型及其参数设置 | 第40-45页 |
| ·基于LAO-PCNN 的混合噪声滤除 | 第45-46页 |
| ·实验分析 | 第46-53页 |
| ·本章小结 | 第53-54页 |
| 第三章 基于LIO-PCNN 和ICA 的ROI 图像检测 | 第54-74页 |
| ·基于LIO-PCNN 和ICA 的ROI 图像检测方案 | 第54-55页 |
| ·基于LIO-PCNN 的图像增强算法 | 第55-64页 |
| ·传统PCNN 图像增强方法 | 第55-56页 |
| ·LIO-PCNN 模型及其参数分析 | 第56-59页 |
| ·LIO-PCNN 图像增强方法 | 第59页 |
| ·实验分析 | 第59-64页 |
| ·小结 | 第64页 |
| ·基于ICA 的ROI 图像检测方法 | 第64-73页 |
| ·独立分量分析概述 | 第65页 |
| ·基于ICA 的ROI 图像检测算法 | 第65-67页 |
| ·实验分析 | 第67-72页 |
| ·小结 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第四章 LIO-PCNN-ICA 在车牌定位中的应用 | 第74-88页 |
| ·基于LIO-PCNN-ICA 的车牌定位方案 | 第74-75页 |
| ·车牌定位方法的研究意义 | 第74-75页 |
| ·基于LIO-PCNN-ICA 的车牌定位方案 | 第75页 |
| ·LIO-PCNN-ICA 处理后的车牌图像特征 | 第75-77页 |
| ·基于LIO-PCNN-ICA 的车牌定位方法 | 第77-80页 |
| ·车牌定位方法概述 | 第77-78页 |
| ·基于LIO-PCNN-ICA 的车牌定位算法 | 第78-80页 |
| ·实验分析 | 第80-86页 |
| ·本章小结 | 第86-88页 |
| 第五章 LMO-PCNN 在拉曼光谱定性分析中的应用 | 第88-108页 |
| ·拉曼光谱定性分析技术 | 第88-89页 |
| ·拉曼光谱归一化校准方法 | 第89-99页 |
| ·常用的拉曼光谱归一化校准方法 | 第90页 |
| ·基于最高谱强的拉曼光谱归一化校准方法 | 第90-92页 |
| ·实验分析 | 第92-98页 |
| ·小结 | 第98-99页 |
| ·基于LMO-PCNN 的拉曼光谱定性分析 | 第99-108页 |
| ·拉曼光谱定性分析解决方案 | 第99-101页 |
| ·基于改进型LMO-PCNN 的拉曼光谱定性分析 | 第101-103页 |
| ·实验分析 | 第103-107页 |
| ·小结 | 第107-108页 |
| 结论与展望 | 第108-112页 |
| 参考文献 | 第112-125页 |
| 攻读博士学位期间取得的研究成果 | 第125-127页 |
| 致谢 | 第127页 |
