基于脉冲耦合神经网络图像分割算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 国内外发展及研究现状 | 第12-13页 |
| 1.3 图像分割综述 | 第13-14页 |
| 1.4 图像分割定义 | 第14-15页 |
| 1.5 图像分割的研究现状 | 第15-19页 |
| 1.5.1 基于阂值的分割算法 | 第15-16页 |
| 1.5.2 基于边缘检测的分割方法 | 第16-17页 |
| 1.5.3 基于区域提取的分割方法 | 第17页 |
| 1.5.4 基于活动轮廓模型的图像分割 | 第17-18页 |
| 1.5.5 结合特定理论的分割方法 | 第18-19页 |
| 1.6 图像分割方法的发展趋势 | 第19页 |
| 1.7 本文主要工作及章节安排 | 第19-20页 |
| 1.8 小结 | 第20-21页 |
| 第二章 脉冲耦合神经网基本模型及原理 | 第21-35页 |
| 2.1 PCNN基本模型 | 第21-23页 |
| 2.1.1 接收域 | 第21-22页 |
| 2.1.2 调制域 | 第22-23页 |
| 2.1.3 脉冲产生部分 | 第23页 |
| 2.2 PCNN运行原理 | 第23-24页 |
| 2.3 PCNN的基本特性 | 第24-25页 |
| 2.4 无耦合连接 | 第25-29页 |
| 2.5 耦合连接 | 第29-30页 |
| 2.6 神经元行为分析 | 第30-32页 |
| 2.6.1 单个神经元的行为分析 | 第30页 |
| 2.6.2 两个神经元的行为分析 | 第30-31页 |
| 2.6.3 多个神经元的行为分析 | 第31-32页 |
| 2.7 PCNN简化模型及在数字图像处理中的应用 | 第32-34页 |
| 2.7.1 标准模型分析及简化 | 第32-33页 |
| 2.7.2 简化模型在图像处理中的应用 | 第33-34页 |
| 2.8 小结 | 第34-35页 |
| 第三章 基于改进PCNN模型的图像分割 | 第35-57页 |
| 3.1 PCNN简化模型与图像分割 | 第35-37页 |
| 3.2 参数自适应图像分割 | 第37-41页 |
| 3.2.1 粒子群算法简介 | 第38页 |
| 3.2.2 图像熵 | 第38页 |
| 3.2.3 算法原理 | 第38-41页 |
| 3.3 PCNN模型改进 | 第41-48页 |
| 3.3.1 连接输入项改进 | 第42-43页 |
| 3.3.2 引入抑制输入项 | 第43-44页 |
| 3.3.3 内部活动项改进 | 第44-45页 |
| 3.3.4 阈值和衰减时间常数双衰减机制 | 第45-47页 |
| 3.3.5 连接强度系数参数设定 | 第47-48页 |
| 3.4 PCNN改进模型仿真结果分析 | 第48-55页 |
| 3.5 小结 | 第55-57页 |
| 第四章 基于改进PCNN模型的彩色图像分割 | 第57-63页 |
| 4.1 颜色空间介绍 | 第57-59页 |
| 4.1.1 RGB颜色空间 | 第57-58页 |
| 4.1.2 HSI颜色空间 | 第58-59页 |
| 4.1.3 HSI模型和RGB模型之间的转换 | 第59页 |
| 4.2 彩色图像分割算法流程 | 第59-60页 |
| 4.3 分量合并策略 | 第60-61页 |
| 4.4 PCNN改进模型彩色图像分割仿真结果分析 | 第61-62页 |
| 4.5 小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
