| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-24页 |
| ·选题背景和意义 | 第11页 |
| ·图像分割 | 第11-15页 |
| ·图像融合 | 第15-18页 |
| ·人类视觉系统 | 第18-21页 |
| ·课题来源 | 第21页 |
| ·研究目标和内容 | 第21-22页 |
| ·论文的组织结构 | 第22-24页 |
| 第二章 相关理论基础 | 第24-31页 |
| ·引言 | 第24页 |
| ·脉冲耦合神经网络 | 第24-28页 |
| ·神经元 | 第24-25页 |
| ·大脑皮层 | 第25页 |
| ·PCNN的模型 | 第25-26页 |
| ·PCNN的工作原理 | 第26-27页 |
| ·PCNN的主要特性 | 第27-28页 |
| ·PCNN的性能参数 | 第28页 |
| ·双层PCNN模型 | 第28-31页 |
| 第三章 结合PCNN模型和最大方差比准则的图像分割 | 第31-55页 |
| ·引言 | 第31页 |
| ·PCNN模型用于图像分割的原理 | 第31页 |
| ·最大方差比准则 | 第31-33页 |
| ·结合PCNN模型和最大方差比准则的图像分割 | 第33-35页 |
| ·算法流程 | 第33页 |
| ·用于图像增强的PCNN模型 | 第33-34页 |
| ·PCNN迭代次数的自动判定 | 第34-35页 |
| ·实验结果分析 | 第35-54页 |
| ·PCNN模型参数的确定 | 第35-38页 |
| ·实验分析 | 第38-50页 |
| ·实验对比 | 第50-54页 |
| ·本章小结 | 第54-55页 |
| 第四章 基于小波变换多级分解的图像融合 | 第55-67页 |
| ·引言 | 第55页 |
| ·图像融合评价体系 | 第55-58页 |
| ·主观评价体系 | 第55页 |
| ·客观评价体系 | 第55-58页 |
| ·小波变换 | 第58-59页 |
| ·连续小波变换 | 第58页 |
| ·离散小波变换 | 第58-59页 |
| ·结合小波变换和PCNN模型的图像融合方法 | 第59-63页 |
| ·基于小波变换的图像融合意义 | 第59页 |
| ·算法流程 | 第59-63页 |
| ·实验结果分析 | 第63-66页 |
| ·定性分析 | 第63-65页 |
| ·定量分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第五章 基于曲波变换多级分解的图像融合 | 第67-83页 |
| ·引言 | 第67页 |
| ·曲波变换理论 | 第67-70页 |
| ·曲波变换理论的提出 | 第67-68页 |
| ·曲波变换的研究现状 | 第68-70页 |
| ·基于曲波变换和双层PCNN模型的图像融合方法 | 第70-74页 |
| ·低频系数的选择方法 | 第72-73页 |
| ·高频系数选取规则 | 第73-74页 |
| ·实验结果分析 | 第74-82页 |
| ·曲波分解系数 | 第75-76页 |
| ·定性分析 | 第76-79页 |
| ·定量分析 | 第79-81页 |
| ·时间复杂度分析 | 第81-82页 |
| ·本章小结 | 第82-83页 |
| 第六章 基于轮廓波变换多级分解的图像融合 | 第83-101页 |
| ·引言 | 第83页 |
| ·Contourlet变换理论 | 第83-86页 |
| ·Contourlet变换 | 第83-86页 |
| ·NSCT | 第86页 |
| ·基于NSCT和双层PCNN模型的图像融合算法 | 第86-91页 |
| ·算法描述 | 第87-89页 |
| ·低频子带图像的融合 | 第89-90页 |
| ·高频子带图像的融合 | 第90-91页 |
| ·实验结果分析 | 第91-98页 |
| ·定性分析 | 第92-95页 |
| ·定量分析 | 第95-96页 |
| ·不同系数融合方法的对比 | 第96-98页 |
| ·本文提出的三种融合算法的对比 | 第98-100页 |
| ·本章小结 | 第100-101页 |
| 第七章 总结与展望 | 第101-103页 |
| ·本文主要工作总结 | 第101-102页 |
| ·未来研究工作展望 | 第102-103页 |
| 参考文献 | 第103-114页 |
| 攻读博士学位期间主要研究成果 | 第114-116页 |
| 致谢 | 第116-117页 |