脉冲耦合神经网络模型分析及其相关应用研究
| 中文摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-21页 |
| 1.3 论文主要工作 | 第21-22页 |
| 1.4 论文结构安排 | 第22-24页 |
| 第二章 PCNN模型进化历程及参数设定方法 | 第24-40页 |
| 2.1 同构模型 | 第26-29页 |
| 2.1.1 全连接PCNN | 第26-27页 |
| 2.1.2 ICM | 第27-28页 |
| 2.1.3 SPN | 第28页 |
| 2.1.4 Unit-linking PCNN | 第28-29页 |
| 2.1.5 SCM | 第29页 |
| 2.2 异构模型 | 第29-30页 |
| 2.3 PCNN的参数设置 | 第30-34页 |
| 2.3.1 基于实验经验的方法 | 第30-31页 |
| 2.3.2 自适应方法 | 第31页 |
| 2.3.3 熵和交叉熵 | 第31-32页 |
| 2.3.4 自动参数设置 | 第32-34页 |
| 2.4 混沌特性 | 第34-35页 |
| 2.5 人眼视觉特性 | 第35-38页 |
| 2.5.1 对比灵敏度 | 第35-36页 |
| 2.5.2 Mach band效应 | 第36-37页 |
| 2.5.3 视觉遮蔽效应 | 第37-38页 |
| 2.5.4 PCNN的视觉特性本质 | 第38页 |
| 2.6 本章小结 | 第38-40页 |
| 第三章 基于非整步长指数PCNN的钙化点检测 | 第40-61页 |
| 3.1 引言 | 第40-42页 |
| 3.2 理论与方法 | 第42-53页 |
| 3.2.1 数据介绍 | 第42-43页 |
| 3.2.2 乳腺区域粗分割 | 第43-44页 |
| 3.2.3 形态学双顶帽变换 | 第44-45页 |
| 3.2.4 非线性变换 | 第45-46页 |
| 3.2.5 小波变换 | 第46-49页 |
| 3.2.6 非整步长指数SPCNN模型 | 第49-53页 |
| 3.3 实验与讨论 | 第53-59页 |
| 3.3.1 评价指标 | 第53-54页 |
| 3.3.2 实验结果 | 第54-57页 |
| 3.3.3 验证性实验 | 第57-59页 |
| 3.4 本章小结 | 第59-61页 |
| 第四章 基于异构简化PCNN模型的自然图像分割 | 第61-77页 |
| 4.1 引言 | 第61-65页 |
| 4.2 理论与方法 | 第65-69页 |
| 4.2.1 异构PCNN的提出 | 第65-66页 |
| 4.2.2 HSPCNN模型 | 第66-67页 |
| 4.2.3 参数设置 | 第67-69页 |
| 4.3 实验与分析 | 第69-76页 |
| 4.3.1 评价指标 | 第72-74页 |
| 4.3.2 实验结果 | 第74-76页 |
| 4.4 本章小结 | 第76-77页 |
| 第五章 基于SC-HPCNN模型的图像量化研究 | 第77-93页 |
| 5.1 引言 | 第77-79页 |
| 5.1.1 无损压缩 | 第77页 |
| 5.1.2 有损压缩技术 | 第77-79页 |
| 5.2 理论与方法 | 第79-83页 |
| 5.2.1 SC-PCNN | 第80-82页 |
| 5.2.2 SC-HPCNN | 第82-83页 |
| 5.3 实验与分析 | 第83-92页 |
| 5.3.1 定性与定量分析 | 第84-91页 |
| 5.3.2 时间成本分析 | 第91-92页 |
| 5.4 本章小结 | 第92-93页 |
| 第六章 总结与展望 | 第93-96页 |
| 6.1 工作总结 | 第93-94页 |
| 6.2 研究展望 | 第94-96页 |
| 参考文献 | 第96-109页 |
| 在学期间的研究成果 | 第109-111页 |
| 致谢 | 第111-112页 |
| 附录A 缩略语表 | 第112页 |
