基于脉冲耦合神经网络的彩色图像分割方法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 PCNN图像分割研究现状 | 第12-15页 |
| 1.2.1 国内外研究现状 | 第12-13页 |
| 1.2.2 国内外研究现状分析 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 第2章 PCNN原理及其在图像处理中的应用 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 PCNN基本模型 | 第16-18页 |
| 2.3 PCNN的工作原理 | 第18-20页 |
| 2.3.1 无耦合连接情况下的PCNN运行机制 | 第18-19页 |
| 2.3.2 耦合连接情况下的PCNN运行机制 | 第19-20页 |
| 2.4 PCNN的特性分析 | 第20-21页 |
| 2.4.1 PCNN的人眼视觉特性 | 第20页 |
| 2.4.2 PCNN的自动波传播特性 | 第20-21页 |
| 2.5 PCNN在图像处理中的应用 | 第21-23页 |
| 2.5.1 图像滤波 | 第21-22页 |
| 2.5.2 图像分割 | 第22页 |
| 2.5.3 图像融合 | 第22-23页 |
| 2.5.4 特征提取 | 第23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 图像分割的基本方法研究 | 第24-30页 |
| 3.1 引言 | 第24页 |
| 3.2 图像分割的定义 | 第24-25页 |
| 3.3 传统图像分割方法 | 第25-26页 |
| 3.3.1 基于边缘检测的分割方法 | 第25页 |
| 3.3.2 基于阈值的分割方法 | 第25-26页 |
| 3.3.3 基于区域的分割方法 | 第26页 |
| 3.4 基于PCNN的图像分割方法 | 第26-28页 |
| 3.4.1 基于最大熵的PCNN图像分割方法 | 第27页 |
| 3.4.2 基于聚类的PCNN图像分割方法 | 第27页 |
| 3.4.3 基于遗传算法的PCNN图像分割方法 | 第27-28页 |
| 3.5 图像分割的评价准则 | 第28-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第4章 基于PCNN的自动图像分割方法的研究 | 第30-38页 |
| 4.1 引言 | 第30页 |
| 4.2 PCNN模型的简化 | 第30-31页 |
| 4.3 动态阈值与全局阈值的设计 | 第31-33页 |
| 4.4 算法流程 | 第33页 |
| 4.5 实验结果及分析 | 第33-37页 |
| 4.5.1 主观分析 | 第34-36页 |
| 4.5.2 客观分析 | 第36-37页 |
| 4.6 本章小结 | 第37-38页 |
| 第5章 基于PCNN的彩色图像分割方法的研究 | 第38-55页 |
| 5.1 引言 | 第38页 |
| 5.2 颜色空间的选择 | 第38-40页 |
| 5.2.1 HSV模型 | 第38-39页 |
| 5.2.2 RGB模型 | 第39-40页 |
| 5.3 PCNN模型的改进 | 第40-42页 |
| 5.3.1 种子层的PCNN模型的改进 | 第41页 |
| 5.3.2 生长层的PCNN模型的改进 | 第41-42页 |
| 5.4 彩色图像分割算法流程 | 第42-44页 |
| 5.5 合并准则 | 第44-45页 |
| 5.6 实验结果及分析 | 第45-54页 |
| 5.6.1 主观分析 | 第45-52页 |
| 5.6.2 客观分析 | 第52-54页 |
| 5.7 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-63页 |
| 致谢 | 第63页 |
