基于脉冲耦合神经网络的图像处理
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.3 本文的主要工作 | 第19-20页 |
| 第二章 PCNN模型及其网络特性 | 第20-30页 |
| 2.1 PCNN基本模型 | 第20-21页 |
| 2.2 点火机理 | 第21-26页 |
| 2.2.1 无耦合连接 | 第21-25页 |
| 2.2.2 耦合连接 | 第25-26页 |
| 2.3 PCNN网络的基本特性 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 改进PCNN模型及其特性 | 第30-42页 |
| 3.1 引言 | 第30页 |
| 3.2 改进模型 | 第30-32页 |
| 3.2.1 改进模型描述 | 第30-31页 |
| 3.2.2 模型执行步骤 | 第31-32页 |
| 3.3 模型特性分析 | 第32-39页 |
| 3.3.1 阈值函数线性化 | 第32-33页 |
| 3.3.2 权重矩阵优化 | 第33-35页 |
| 3.3.3 Hebb法则对模型的优化 | 第35-39页 |
| 3.4 改进模型的应用领域 | 第39-40页 |
| 3.4.1 图像分割 | 第40页 |
| 3.4.2 图像去噪 | 第40页 |
| 3.4.3 图像检索 | 第40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于改进PCNN模型的图像分割 | 第42-66页 |
| 4.1 图像分割的研究背景和意义 | 第42页 |
| 4.2 图像分割的定义 | 第42-43页 |
| 4.3 图像分割的方法 | 第43-46页 |
| 4.3.1 基于阈值的分割 | 第43-44页 |
| 4.3.2 基于区域的分割 | 第44-45页 |
| 4.3.3 基于边缘检测的分割 | 第45页 |
| 4.3.4 结合特定理论的分割法 | 第45-46页 |
| 4.4 基于改进PCNN模型的图像分割 | 第46-58页 |
| 4.4.1 传统PCNN在图像分割中的应用 | 第46-47页 |
| 4.4.2 Otsu算法对改进PCNN模型的优化 | 第47-51页 |
| 4.4.3 仿真实验与结果 | 第51-55页 |
| 4.4.4 对输入输出图像的优化 | 第55-58页 |
| 4.5 实验仿真与结果 | 第58-64页 |
| 4.5.1 主观评价 | 第62-63页 |
| 4.5.2 客观评价 | 第63-64页 |
| 4.6 本章小结 | 第64-66页 |
| 第五章 基于改进PCNN的图像检索 | 第66-86页 |
| 5.1 引言 | 第66-67页 |
| 5.2 基于内容的图像检索技术 | 第67-68页 |
| 5.2.1 相同物体图像检索 | 第67页 |
| 5.2.2 相同类别图像检索 | 第67-68页 |
| 5.3 基于改进模型的时间序列特性 | 第68-74页 |
| 5.3.1 神经元点火时间序列 | 第69页 |
| 5.3.2 点火时间序列的特性 | 第69页 |
| 5.3.3 模型的两种改进形式 | 第69-70页 |
| 5.3.4 实验仿真与结果 | 第70-74页 |
| 5.4 基于改进模型的图像检索 | 第74-78页 |
| 5.4.1 k近邻 | 第74-75页 |
| 5.4.2 基于k近邻的检索系统设计 | 第75-76页 |
| 5.4.3 实验仿真与结果 | 第76-78页 |
| 5.5 基于改进模型的人脸识别 | 第78-84页 |
| 5.5.1 基于k近邻的识别系统设计 | 第78页 |
| 5.5.2 实验仿真及分析 | 第78-82页 |
| 5.5.3 基于k近邻和集成学习的识别方法 | 第82页 |
| 5.5.4 识别性能仿真分析 | 第82-84页 |
| 5.6 本章小结 | 第84-86页 |
| 第六章 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 致谢 | 第92-94页 |
| 作者简介 | 第94-95页 |
