| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题研究的技术背景与意义 | 第11-12页 |
| 1.2 国内外研究现状与发展 | 第12-13页 |
| 1.3 论文的主要工作 | 第13-15页 |
| 1.4 论文章节安排 | 第15-16页 |
| 第二章 PCNN神经网络理论 | 第16-24页 |
| 2.1 PCNN模型 | 第16-17页 |
| 2.2 无耦合连接的PCNN模型点火机理 | 第17-21页 |
| 2.3 有耦合连接的PCNN模型点火机理 | 第21-22页 |
| 2.4 PCNN模型主要特性 | 第22-24页 |
| 第三章 PCNN自适应设定方法 | 第24-29页 |
| 3.1 基于遗传算法的PCNN的参数自动设定 | 第24-25页 |
| 3.2 基于LMS准则和梯度下降法的自适应PCNN | 第25-29页 |
| 第四章 基于PSO-PCNN模型的图像分割 | 第29-45页 |
| 4.1 图像分割技术 | 第29-36页 |
| 4.1.1 图像分割定义及研究现状 | 第29-31页 |
| 4.1.2 图像分割常用方法 | 第31-34页 |
| 4.1.3 图像分割的评价方法 | 第34-35页 |
| 4.1.4 神经网络在图像分割中的应用 | 第35-36页 |
| 4.2 改进的PSO-PCNN模型在图像分割中的应用 | 第36-44页 |
| 4.2.1 粒子群算法 | 第36-37页 |
| 4.2.2 改进的PSO-PCNN模型 | 第37-40页 |
| 4.2.3 适应度函数 | 第40-42页 |
| 4.2.4 PSO-PCNN模型用于图像分割 | 第42-43页 |
| 4.2.5 仿真结果及评价方法 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 基于ABC-PCNN模型的血细胞图像分割 | 第45-53页 |
| 5.1 ABC算法 | 第45-48页 |
| 5.2 ABC-PCNN模型 | 第48页 |
| 5.3 适应度函数 | 第48-49页 |
| 5.4 ABC-PCNN模型用于血细胞图像分割 | 第49-50页 |
| 5.5 仿真结果 | 第50-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 基于NSCT-PCNN模型的图像融合 | 第53-74页 |
| 6.1 图像融合的概念 | 第53-62页 |
| 6.1.1 图像融合的概念 | 第53-57页 |
| 6.1.2 图像融合的常用方法 | 第57-58页 |
| 6.1.3 图像融合的评价准则 | 第58-62页 |
| 6.2 PCNN用于图像融合 | 第62-72页 |
| 6.2.1 Contourlet变换与图像融合 | 第64-65页 |
| 6.2.2 PCNN与图像融合 | 第65-66页 |
| 6.2.3 适应度函数 | 第66-68页 |
| 6.2.4 NSCT与PCNN结合的图像融合 | 第68-70页 |
| 6.2.5 仿真结果及性能评价 | 第70-72页 |
| 6.3 本章小结 | 第72-74页 |
| 第七章 结论与展望 | 第74-75页 |
| 7.1 工作总结 | 第74页 |
| 7.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士研究生期间研究成果 | 第83-84页 |
| 附件 | 第84页 |