基于m-PCNN叶片图像处理的应用研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景 | 第7-12页 |
| 1.1.1 数字图像处理技术 | 第7-9页 |
| 1.1.2 人工神经网络的特性与发展 | 第9-11页 |
| 1.1.3 人工神经网络与叶片图像处理 | 第11-12页 |
| 1.2 本文结构的设置与安排 | 第12-13页 |
| 第二章m-PCNN神经网络 | 第13-23页 |
| 2.1 脉冲耦合神经网络简介 | 第13-14页 |
| 2.2 脉冲耦合神经网络模型 | 第14-18页 |
| 2.2.1 Eckhorn模型 | 第14-15页 |
| 2.2.2 PCNN模型 | 第15-16页 |
| 2.2.3 PCNN运行特性分析 | 第16-18页 |
| 2.2.4 PCNN的不足 | 第18页 |
| 2.3 m-PCNN简介 | 第18-22页 |
| 2.3.1 m-PCNN模型 | 第18-20页 |
| 2.3.2 m-PCNN参数分析说明 | 第20-21页 |
| 2.3.3 m-PCNN运行特性分析 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章m-PCNN在叶柄检测中的应用 | 第23-36页 |
| 3.1 研究背景 | 第23页 |
| 3.2 彩色空间 | 第23-27页 |
| 3.3 算法步骤分析 | 第27-31页 |
| 3.3.1 m-PCNN处理 | 第27-29页 |
| 3.3.2 阈值分割 | 第29-30页 |
| 3.3.3 叶柄检测 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章m-PCNN在叶脉提取中的应用 | 第36-45页 |
| 4.1 研究背景 | 第36页 |
| 4.2 数学形态学 | 第36-38页 |
| 4.3 算法分析 | 第38-43页 |
| 4.4 实验结果与分析 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-46页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-46页 |
| 参考文献 | 第46-52页 |
| 在学期间的研究成果 | 第52-53页 |
| 致谢 | 第53页 |
