| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| ·人工神经网络 | 第9-10页 |
| ·本文的研究意义及其现状 | 第10-12页 |
| ·论文的主要工作和创新点 | 第12-14页 |
| 第二章 脉冲耦合神经网络的基本原理 | 第14-24页 |
| ·脉冲耦合神经网络的工作原理 | 第14-18页 |
| ·脉冲耦合神经网络的神经元模型 | 第14-16页 |
| ·PCNN的特点 | 第16-18页 |
| ·简化型PCNN的模型 | 第18-20页 |
| ·改进型PCNN的模型 | 第20-21页 |
| ·PCNN在图像处理中的应用 | 第21-23页 |
| ·图像去噪 | 第21页 |
| ·图像融合 | 第21-22页 |
| ·图像分割 | 第22页 |
| ·图像增强 | 第22页 |
| ·图像识别 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 图像融合的原理和方法 | 第24-33页 |
| ·图像融合的基本概念 | 第24-25页 |
| ·图像融合的层次 | 第25-27页 |
| ·像素级图像融合 | 第25页 |
| ·特征级图像融合 | 第25-26页 |
| ·决策级图像融合 | 第26-27页 |
| ·多聚焦图像融合 | 第27-32页 |
| ·常见的多聚焦图像融合方法 | 第28-31页 |
| ·图像融合的评价标准 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于简化型PCNN和图像分块融合法的多聚焦图像融合 | 第33-45页 |
| ·本章使用的脉冲耦合神经网络模型 | 第33-34页 |
| ·简化型PCNN模型的参数设置 | 第34-35页 |
| ·采用梯度能量作为清晰度度量标准的图像分块融合法 | 第35页 |
| ·算法步骤 | 第35-37页 |
| ·仿真实验的结果与分析 | 第37-43页 |
| ·本章小结 | 第43-45页 |
| 第五章 基于改进型PCNN和图像分块融合法的多聚焦图像融合 | 第45-57页 |
| ·本章使用的改进型PCNN模型 | 第45-46页 |
| ·改进型PCNN模型的参数设置 | 第46页 |
| ·采用空间频率作为清晰度度量标准的图像分块融合法 | 第46-47页 |
| ·算法步骤 | 第47-48页 |
| ·仿真实验的结果与分析 | 第48-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| ·总结 | 第57页 |
| ·展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间参加的科研项目 | 第63-64页 |
| 致谢 | 第64页 |