| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 图像去噪技术研究现状 | 第9-11页 |
| 1.2.2 图像分割技术研究现状 | 第11-13页 |
| 1.3 图像质量评价 | 第13-16页 |
| 1.3.1 主观评价 | 第13-14页 |
| 1.3.2 客观评价 | 第14-16页 |
| 1.4 论文主要研究内容 | 第16-17页 |
| 第2章 预备知识 | 第17-28页 |
| 2.1 脉冲耦合神经网络 | 第17-23页 |
| 2.1.1 PCNN背景 | 第17页 |
| 2.1.2 PCNN模型 | 第17-19页 |
| 2.1.3 PCNN模型特性 | 第19-21页 |
| 2.1.4 PCNN在图像处理中的应用 | 第21-23页 |
| 2.2 螺旋优化算法 | 第23-25页 |
| 2.3 双边滤波模型 | 第25-27页 |
| 2.3.1 连续型双边滤波模型 | 第25-26页 |
| 2.3.2 离散型双边滤波器 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于改进PCNN的图像分割 | 第28-44页 |
| 3.1 图像分割 | 第28-32页 |
| 3.1.1 图像分割定义 | 第28-29页 |
| 3.1.2 图像分割分类 | 第29-32页 |
| 3.2 改进PCNN模型 | 第32-37页 |
| 3.2.1 PCNN参数问题 | 第33-34页 |
| 3.2.2 简化PCNN模型 | 第34-36页 |
| 3.2.3 调整连接权值矩阵 | 第36页 |
| 3.2.4 结合螺旋优化自动获取参数 | 第36-37页 |
| 3.3 基于改进PCNN模型的图像分割 | 第37-42页 |
| 3.3.1 算法概述 | 第37-39页 |
| 3.3.2 实验仿真 | 第39-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于改进PCNN的图像去噪 | 第44-61页 |
| 4.1 图像噪声及数学模型 | 第44-46页 |
| 4.1.1 图像噪声 | 第44页 |
| 4.1.2 噪声数学模型 | 第44-46页 |
| 4.2 PCNN和双边滤波 | 第46-47页 |
| 4.3 图像去噪 | 第47-55页 |
| 4.3.1 简化PCNN模型 | 第48-49页 |
| 4.3.2 双边滤波模型 | 第49-54页 |
| 4.3.3 基于PCNN和双边滤波的自适应图像去噪 | 第54-55页 |
| 4.4 实验仿真与分析 | 第55-60页 |
| 4.5 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间取得的学术成果 | 第69-70页 |
| 致谢 | 第70页 |