| 摘要 | 第1-6页 |
| ABSTRACT | 第6-16页 |
| 第一章 绪论 | 第16-29页 |
| ·前言 | 第16页 |
| ·课题的选题背景与意义 | 第16-21页 |
| ·传统人工神经网络模型存在的局限性 | 第16-18页 |
| ·研究细胞神经网络的意义 | 第18-21页 |
| ·细胞神经网络的发展历程与研究现状 | 第21-27页 |
| ·CNN 的理论背景 | 第21-23页 |
| ·CNN 的发展历程 | 第23-24页 |
| ·CNN 有关课题的研究现状 | 第24-27页 |
| ·本文的主要研究内容 | 第27-29页 |
| 第二章 细胞神经网络理论基础 | 第29-43页 |
| ·CNN 模型的结构与特点 | 第29-33页 |
| ·CNN 模型的结构 | 第29-30页 |
| ·CNN 的状态方程 | 第30-32页 |
| ·CNN 的特点 | 第32-33页 |
| ·CNN 的动态特性与稳定性分析 | 第33-36页 |
| ·CNN 应用于数字图像处理 | 第36-39页 |
| ·CNN 输入值的范围调整 | 第36-37页 |
| ·CNN 状态方程的差分化 | 第37页 |
| ·CNN 的模板参数设计方法 | 第37-39页 |
| ·CNN 硬件开发工具简介 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第三章 CNN 在光学干涉条纹图像处理中的应用 | 第43-73页 |
| ·光学干涉测量的原理 | 第43-46页 |
| ·干涉条纹的数字图像处理技术 | 第46-50页 |
| ·干涉条纹图像处理方法介绍及存在的问题 | 第46-48页 |
| ·本文的干涉条纹图像处理方案 | 第48-50页 |
| ·基于CNN 的自适应滤波算法 | 第50-57页 |
| ·算法中相关模板参数的设计 | 第50-52页 |
| ·实验结果及讨论 | 第52-57页 |
| ·基于CNN 的形态学条纹细化算法 | 第57-72页 |
| ·二值形态学的基本运算及其细化算法简介 | 第58-61页 |
| ·基于CNN 的形态学条纹细化算法的原理 | 第61-63页 |
| ·算法中相关模板参数的设计 | 第63-68页 |
| ·实验结果及讨论 | 第68-72页 |
| ·本章小结 | 第72-73页 |
| 第四章 基于 CNN 的从阴影恢复形状问题的研究 | 第73-100页 |
| ·前言 | 第73-75页 |
| ·从阴影恢复形状问题 | 第75-81页 |
| ·SFS 问题的理论基础 | 第75-79页 |
| ·SFS 问题的解决方法分类 | 第79-80页 |
| ·本文解决SFS 问题的方案 | 第80-81页 |
| ·基于CNN 的从阴影恢复形状算法的原理 | 第81-87页 |
| ·构造 SFS 能量函数的相关分析及讨论 | 第81-82页 |
| ·构造基于CNN 模型的SFS 问题的能量函数 | 第82-83页 |
| ·求解对应SFS 能量函数E SFS 的CNN 模板参数 | 第83-87页 |
| ·实验结果与分析 | 第87-98页 |
| ·进一步的讨论 | 第98页 |
| ·本章小结 | 第98-100页 |
| 第五章 CNN 在视频图像压缩中运动估计问题中的应用研究 | 第100-134页 |
| ·概述 | 第100-102页 |
| ·视频图像压缩的原理 | 第100-101页 |
| ·运动估计在视频图像压缩中的作用 | 第101-102页 |
| ·运动估计的研究现状及存在的问题 | 第102-108页 |
| ·运动估计问题 | 第102-104页 |
| ·目前主要的运动估计算法 | 第104-107页 |
| ·本文解决运动估计问题的方案 | 第107-108页 |
| ·基于CNN 与MRF 模型的运动估计算法的原理 | 第108-121页 |
| ·构造基于 MRF 的图像模型 | 第109-111页 |
| ·基于MAP 准则的最优运动估计 | 第111-117页 |
| ·利用CNN 实现MAP 运动估计算法 | 第117-121页 |
| ·仿真实验结果比较与性能分析 | 第121-133页 |
| ·本章小结 | 第133-134页 |
| 第六章 总结与展望 | 第134-137页 |
| ·全文总结 | 第134-136页 |
| ·工作展望 | 第136-137页 |
| 参考文献 | 第137-146页 |
| 致谢 | 第146-147页 |
| 在学期间的研究成果及发表的学术论文 | 第147页 |