| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 引言 | 第7-9页 |
| 1.1 研究内容的背景和意义 | 第7-8页 |
| 1.2 本论文的主要研究工作 | 第8页 |
| 1.3 本论文的内容安排 | 第8-9页 |
| 第二章 数字图像处理技术 | 第9-20页 |
| 2.1 数字图像处理概述 | 第9-11页 |
| 2.1.1 数字图像处理的发展及应用 | 第9页 |
| 2.1.2 数字图像处理的主要研究内容 | 第9-11页 |
| 2.2 数字图像处理的常用方法 | 第11-18页 |
| 2.2.1 图像增强常用方法 | 第11-13页 |
| 2.2.2 图像分割 | 第13-16页 |
| 2.2.3 图像压缩 | 第16-18页 |
| 2.3 图像压缩系统的性能评价 | 第18-20页 |
| 2.3.1 压缩质量 | 第18-19页 |
| 2.3.2 算法效率 | 第19-20页 |
| 第三章 神经网络技术 | 第20-31页 |
| 3.1 神经网络发展及应用简介 | 第20-21页 |
| 3.2 神经元模型和神经网络的结构 | 第21-23页 |
| 3.2.1 神经元模型 | 第21-23页 |
| 3.2.2 神经网络的结构 | 第23页 |
| 3.3 神经网络的基本特征 | 第23-25页 |
| 3.4 常用的神经网络模型 | 第25-31页 |
| 3.4.1 BP网络及学习算法 | 第25-27页 |
| 3.4.2 RBF网络 | 第27-28页 |
| 3.4.3 Hopfield网络 | 第28-29页 |
| 3.4.4 自组织特征映射算法(SOFM) | 第29-31页 |
| 第四章 神经网络在图像压缩中的应用 | 第31-39页 |
| 4.1 图像编码技术研究现状 | 第31页 |
| 4.2 人工神经网络用于图像压缩的优越性 | 第31-32页 |
| 4.3 基于神经网络的主分量分析编码 | 第32-39页 |
| 4.3.1 主分量分析 | 第33页 |
| 4.3.2 基于神经网络的主分量提取 | 第33-39页 |
| 第五章 神经网络在图像分割中的应用 | 第39-50页 |
| 5.1 图像分割技术的研究现状 | 第39-40页 |
| 5.2 神经网络在图像分割中的应用 | 第40-41页 |
| 5.3 脉冲耦合神经网络的工作原理及其特性 | 第41-44页 |
| 5.3.1 脉冲耦合神经网络的基本模型 | 第41-43页 |
| 5.3.2 脉冲耦合神经网络的特性 | 第43-44页 |
| 5.4 基于脉冲耦合神经网络图像分割算法 | 第44-47页 |
| 5.4.1 脉冲耦合神经网络应用于图像分割的基本原理 | 第44-45页 |
| 5.4.2 算法的实现及实验 | 第45-47页 |
| 5.5 PCNN算法的改进 | 第47-50页 |
| 5.5.1 PCNN算法的改进 | 第47-49页 |
| 5.5.2 改进的PCNN算法实验结果 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54-55页 |
| 学位论文评阅及答辩情况表 | 第55页 |