脉冲耦合神经网络在图像处理中的应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景 | 第8-10页 |
| ·脉冲耦合神经网络的研究现状 | 第10-11页 |
| ·神经网络方法的研究及在图像处理中的应用 | 第11-13页 |
| ·传统神经网络的研究 | 第11-13页 |
| ·PCNN的研究 | 第13页 |
| ·课题的目的和意义 | 第13-14页 |
| ·本文的主要内容和结构安排 | 第14-16页 |
| 第二章 数字图像处理技术 | 第16-24页 |
| ·数字图像处理概述 | 第16-17页 |
| ·数字图像处理的发展及应用 | 第16页 |
| ·数字图像处理的主要研究内容 | 第16-17页 |
| ·图像处理及相关学科简述 | 第17-18页 |
| ·图像处理与图像技术 | 第17页 |
| ·图像处理与相关学科的关系 | 第17-18页 |
| ·数字图像处理的常用方法 | 第18-23页 |
| ·图像增强常用方法 | 第18-21页 |
| ·图像分割常用方法 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 脉冲耦合神经网络的基本理论 | 第24-34页 |
| ·引言 | 第24页 |
| ·脉冲耦合神经网络的基本模型 | 第24-28页 |
| ·Eckhorn神经元模型 | 第24-26页 |
| ·脉冲耦合神经网络模型 | 第26-28页 |
| ·脉冲耦合神经网络的工作原理 | 第28-29页 |
| ·无耦合连接情况下的PCNN运行行为 | 第28页 |
| ·耦合连接情况下的PCNN运行行为 | 第28-29页 |
| ·脉冲耦合神经网络的基本特性 | 第29-31页 |
| ·PCNN模型参数的传统设定方法 | 第31页 |
| ·脉冲耦合神经网络在图像处理中的应用 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于PCNN的彩色图像滤波研究 | 第34-47页 |
| ·图像处理中的噪声与滤波 | 第34-39页 |
| ·噪声的特征与分类 | 第34-35页 |
| ·传统的噪声抑制方法 | 第35-37页 |
| ·一些新兴的噪声抑制方法 | 第37-38页 |
| ·图像去噪的难点 | 第38-39页 |
| ·彩色图像的色彩空间变换 | 第39-41页 |
| ·HSI模型 | 第39页 |
| ·HSI模型和RGB模型的转换 | 第39-41页 |
| ·基于PCNN的彩色图像滤波算法 | 第41-44页 |
| ·简化PCNN模型结构 | 第41-42页 |
| ·脉冲耦合神经网络去噪的基本思想 | 第42-43页 |
| ·噪声像素的定位 | 第43页 |
| ·噪声像素的滤波 | 第43页 |
| ·与传统的窗函数滤波方法的比较 | 第43-44页 |
| ·算法的实现 | 第44-45页 |
| ·实验结果 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 基于PCNN的图像分割算法 | 第47-56页 |
| ·图像分割技术 | 第47-49页 |
| ·图像分割的定义 | 第47页 |
| ·图像分割技术的研究现状 | 第47-48页 |
| ·图像分割的实质 | 第48-49页 |
| ·图像分割的评价 | 第49页 |
| ·神经网络在图像分割中的应用 | 第49-50页 |
| ·基于改进型PCNN和最大熵准则的图像分割算法 | 第50-52页 |
| ·最大熵准则 | 第51页 |
| ·PCNN的标准改进模型 | 第51-52页 |
| ·算法仿真实验结果与分析 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录(攻读学位期间发表的论文) | 第62-63页 |
| 详细摘要 | 第63-71页 |
