| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-13页 |
| ·细胞神经网络的研究与发展 | 第9-10页 |
| ·细胞神经网络的背景 | 第9页 |
| ·细胞神经网络的发展现状 | 第9-10页 |
| ·课题的研究背景与意义 | 第10-11页 |
| ·本文主要研究内容与结构安排 | 第11-13页 |
| 2 细胞神经网络理论基础 | 第13-22页 |
| ·CNN 模型的结构与特点 | 第13-14页 |
| ·CNN 的状态方程 | 第14-16页 |
| ·CNN 的动态特性和稳定性分析 | 第16-20页 |
| ·CNN 的动态范围 | 第16-17页 |
| ·CNN 的稳定性分析 | 第17-20页 |
| ·CNN 用于图像处理的基本思想 | 第20-21页 |
| ·输入输出的量化 | 第20页 |
| ·CNN 图像处理的基本思想 | 第20-21页 |
| ·CNN 图像处理的基本步骤 | 第21页 |
| ·本章小结 | 第21-22页 |
| 3 基于改进粒子群优化算法的 CNN 模板设计 | 第22-32页 |
| ·粒子群优化算法（Particle Swarm Optimization，PSO） | 第22-23页 |
| ·标准粒子群算法概述 | 第22-23页 |
| ·粒子群算法的基本步骤 | 第23页 |
| ·改进粒子群优化算法 | 第23-24页 |
| ·基于改进粒子群算法的 CNN 模板设计算法 | 第24-26页 |
| ·种群参数的确定 | 第24页 |
| ·适应度函数的选择 | 第24页 |
| ·基于 PSO 的 CNN 模板设计算法 | 第24-26页 |
| ·实验仿真及结果分析 | 第26-31页 |
| ·二值图像噪声去除实验 | 第26-29页 |
| ·边缘提取模板参数设计 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 4 基于 CNN 的图像处理在桥梁索塔位移测量中的应用 | 第32-51页 |
| ·索塔位移测量原理 | 第32-35页 |
| ·激光光斑数字图像处理技术 | 第35-37页 |
| ·传统激光光斑图像处理方法介绍及其存在的问题 | 第35-36页 |
| ·本文激光光斑图像处理方案 | 第36-37页 |
| ·基于 CNN 的图像二值化算法 | 第37-41页 |
| ·CNN 阈值化模板参数的设计 | 第37-38页 |
| ·阈值快速搜索算法 | 第38-39页 |
| ·实验结果及分析 | 第39-41页 |
| ·基于细胞神经网络的形态学操作 | 第41-47页 |
| ·二值图像形态学基本操作 | 第41-43页 |
| ·基于 CNN 的数学形态学操作模板设计 | 第43-46页 |
| ·实验结果与分析 | 第46-47页 |
| ·基于 CNN 的激光光斑边缘提取 | 第47-48页 |
| ·基于圆拟合的光斑中心定位方法 | 第48-50页 |
| ·激光光斑圆拟合方法 | 第48-49页 |
| ·中心定位结果与分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 5 基于 CNN 图像处理在成像法桥梁竖向位移测量中的应用 | 第51-64页 |
| ·自标定成像测量基本原理 | 第51-52页 |
| ·CNN 在桥梁竖向位移测量中的应用 | 第52-57页 |
| ·从图像中提取光标 | 第53-54页 |
| ·基于 CNN 的二值化和形态学操作 | 第54-56页 |
| ·基于 CNN 的细化算法 | 第56-57页 |
| ·基于 CNN 的细化算法分析设计 | 第57-63页 |
| ·细化算法分析设计 | 第57-62页 |
| ·灯管中心位置计算 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| ·全文总结 | 第64页 |
| ·后续工作 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第70页 |
| B. 作者在攻读硕士学位期间参与的项目 | 第70页 |
