| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 符号说明 | 第12-13页 |
| 第一章 绪论 | 第13-22页 |
| 1．1 图像信号与图像分割 | 第13-15页 |
| 1．2 边缘检测技术及其发展 | 第15-17页 |
| 1．2．1 边缘检测及其重要性 | 第15-16页 |
| 1．2．2 边缘检测技术的发展 | 第16-17页 |
| 1．3 神经网络边缘检测算法的国内外研究动态 | 第17-20页 |
| 1．3．1 基于前馈神经网络的边缘检测 | 第17-18页 |
| 1．3．2 基于竞争神经网络的边缘检测 | 第18-19页 |
| 1．3．3 基于混合神经网络的边缘检测 | 第19页 |
| 1．3．4 基于递归神经网络的边缘检测 | 第19-20页 |
| 1．3．5 神经网络与其它学科交叉的边缘检测 | 第20页 |
| 1．4 论文的章节安排 | 第20-22页 |
| 第二章 基于神经网络边缘检测的基础知识 | 第22-39页 |
| 2．1 神经网络基础知识 | 第22-25页 |
| 2．2 边缘检测技术的基本原理 | 第25-35页 |
| 2．2．1 数字图像的数据结构 | 第25-26页 |
| 2．2．2 数字图像的边缘特性 | 第26-30页 |
| 2．2．3 边缘检测算子 | 第30-34页 |
| 2．2．4 边缘连接和边界检测 | 第34-35页 |
| 2．3 基于神经网络的边缘检测 | 第35-39页 |
| 第三章 基于 LVQ1神经网络的边缘检测 | 第39-61页 |
| 3．1 LVQ1网络进行边缘检测的模型 | 第39-41页 |
| 3．2 图像特征向量的构建 | 第41-45页 |
| 3．2．1 中值特征量 | 第43页 |
| 3．2．2 方向性信息特征量 | 第43-44页 |
| 3．2．3 Kirsch算子方向特征量 | 第44-45页 |
| 3．3 基于图像特征向量与 LVQ1网络的边缘检测 | 第45-54页 |
| 3．3．1 LVQ1网络的学习 | 第46-49页 |
| 3．3．2 计算机仿真 | 第49-54页 |
| 3．4 LVQ1网络的抗噪声干扰性能仿真 | 第54-60页 |
| 3．4．1 噪声的数学模型 | 第54-56页 |
| 3．4．2 计算机仿真 | 第56-60页 |
| 3．5 小结 | 第60-61页 |
| 第四章 基于 LVQ2神经网络的边缘检测 | 第61-78页 |
| 4．1 LVQ2网络的提出 | 第61-69页 |
| 4．1．1 LVQ1网络的局限性 | 第61-62页 |
| 4．1．2 LVQ2网络的基本思想 | 第62-66页 |
| 4．1．3 LVQ2网络的学习 | 第66-69页 |
| 4．2 图像特征向量的构建 | 第69-71页 |
| 4．3 基于图像特征向量与LVQ2网络的边缘检测 | 第71-75页 |
| 4．3．1 边缘检测器模型 | 第71-73页 |
| 4．3．2 计算机仿真 | 第73-75页 |
| 4．4 LVQ2网络的抗噪声干扰性能仿真 | 第75-77页 |
| 4．5 小结 | 第77-78页 |
| 第五章 结论与展望 | 第78-80页 |
| 参考文献 | 第80-88页 |
| 附录 MATLAB程序 | 第88-102页 |
| 致谢 | 第102-103页 |
| 在读期间发表论文情况 | 第103页 |