| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 序和致谢 | 第7-8页 |
| 目录 | 第8-11页 |
| 第一章 数字图象的基本介绍 | 第11-15页 |
| ·引言 | 第11页 |
| ·数字图象处理的基本概念 | 第11-14页 |
| 参考文献 | 第14-15页 |
| 第二章 图象编码以及图象压缩 | 第15-26页 |
| ·引言 | 第15页 |
| ·常见的图象编码方式 | 第15-18页 |
| ·单色图象编码 | 第15-16页 |
| ·灰度图象编码 | 第16页 |
| ·彩色图象编码 | 第16-18页 |
| ·常见的图象压缩方式 | 第18-24页 |
| ·图象压缩的概述 | 第18页 |
| ·图象压缩的性能准则 | 第18-19页 |
| ·无损压缩技术 | 第19-22页 |
| ·有损压缩技术 | 第22-23页 |
| ·预测编码技术 | 第23-24页 |
| ·变换编码技术 | 第24页 |
| ·结论 | 第24页 |
| 参考文献 | 第24-26页 |
| 第三章 人工神经网络与图象处理 | 第26-41页 |
| ·引言 | 第26-27页 |
| ·神经网络的常用类型 | 第27-28页 |
| ·神经网络的具体应用 | 第28-35页 |
| ·图象预处理 | 第28-30页 |
| ·图象压缩 | 第30-32页 |
| ·特征提取 | 第32-33页 |
| ·图象分割 | 第33-35页 |
| ·图象识别 | 第35页 |
| ·结论 | 第35-37页 |
| 参考文献 | 第37-41页 |
| 第四章 SOFM网络与矢量量化 | 第41-53页 |
| ·引言 | 第41页 |
| ·矢量量化 | 第41-44页 |
| ·矢量量化的基本概念 | 第41-42页 |
| ·几种矢量量化算法的介绍 | 第42-44页 |
| ·SOFM算法 | 第44-50页 |
| ·SOFM算法的基本概念 | 第44-45页 |
| ·SOFM网络的基本结构 | 第45页 |
| ·基本的SOFM算法 | 第45-47页 |
| ·参数的选择 | 第47-49页 |
| ·SOFM算法应用于矢量量化的优势 | 第49-50页 |
| ·SOFM网络的应用结果和分析 | 第50-51页 |
| ·结论 | 第51-52页 |
| 参考文献 | 第52-53页 |
| 第五章 基于PCA／SOFM混合神经网络的图象压缩算法 | 第53-65页 |
| ·引言 | 第53-54页 |
| ·主元分析算法(PCA) | 第54-56页 |
| ·主元分析理论的基本概念 | 第54-55页 |
| ·PCA线性神经网络 | 第55-56页 |
| ·PCA／SOFM混合神经网络编码算法 | 第56-60页 |
| ·PCA／SOFM混合神经网络基本概念 | 第56-57页 |
| ·SOFM神经网络参数的优化 | 第57-60页 |
| ·PCA／SOFM混合神经网络应用结果和分析 | 第60-62页 |
| ·结论 | 第62页 |
| 参考文献 | 第62-65页 |
| 第六章 硬件实现的研究进展 | 第65-71页 |
| ·引言 | 第65页 |
| ·人工神经网络硬件实现方法简介 | 第65-66页 |
| ·人工神经网络硬件实现的关键问题 | 第66-68页 |
| ·结构设计 | 第66-67页 |
| ·权值存储 | 第67页 |
| ·学习机制 | 第67-68页 |
| ·信道编码的硬件实现方法简介 | 第68-69页 |
| ·信道编码的硬件实现的关键问题 | 第69页 |
| ·结论 | 第69-70页 |
| 参考文献 | 第70-71页 |
| 第七章 总结和展望 | 第71-73页 |
| 附录 | 第73页 |