基于脉冲耦合神经网络的图像分割算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-11页 |
| ·概述 | 第7页 |
| ·研究背景与现状 | 第7-9页 |
| ·本文的主要内容及基本框架 | 第9-11页 |
| 第二章 图像分割与神经网络理论 | 第11-25页 |
| ·图像 | 第11-12页 |
| ·图像分割 | 第12-13页 |
| ·医学图像分割的方法 | 第13-17页 |
| ·经典的分割方法 | 第13-15页 |
| ·基于统计学的分割方法 | 第15页 |
| ·人工神经网络分割算法 | 第15-16页 |
| ·基于形变模型的方法 | 第16页 |
| ·基于模糊集理论的分割方法 | 第16-17页 |
| ·其他分割方法 | 第17页 |
| ·医学图像分割的研究现状及发展趋势 | 第17-18页 |
| ·人工神经网络理论 | 第18-22页 |
| ·人工神经网络发展的历史 | 第18-19页 |
| ·人工神经网络的特征 | 第19-20页 |
| ·生物神经元模型 | 第20页 |
| ·人工神经网络模型 | 第20-22页 |
| ·人工神经网络学习规则 | 第22页 |
| ·基于人工神经网络的图像分割方法概述 | 第22-23页 |
| ·本章小结 | 第23-25页 |
| 第三章 脉冲耦合神经网络 | 第25-37页 |
| ·脉冲耦合神经网络的基本模型 | 第25-27页 |
| ·Eckhorn 神经元模型 | 第25-27页 |
| ·PCNN 参数 | 第27-29页 |
| ·脉冲耦合神经网络的工作机理 | 第29-30页 |
| ·无耦合连接 | 第29-30页 |
| ·耦合连接 | 第30页 |
| ·主要特性 | 第30-32页 |
| ·PCNN 用于图像分割 | 第32-33页 |
| ·改进的 PCNN 图像分割 | 第32-33页 |
| ·实验仿真 | 第33-35页 |
| ·本章小结 | 第35-37页 |
| 第四章 基于信息熵的 PCNN 分割算法 | 第37-47页 |
| ·基于最大熵的 PCNN 的植物细胞图像分割 | 第37-42页 |
| ·生物细胞的研究 | 第37页 |
| ·生物细胞图像分割技术现状 | 第37-40页 |
| ·最大熵准则图像分割 | 第40-41页 |
| ·实验结果分析 | 第41-42页 |
| ·基于最小交叉熵的 PCNN 分割 | 第42-45页 |
| ·图像二值化算法 | 第42页 |
| ·几种常见的二值化算法 | 第42-43页 |
| ·图像二值化分割评判准则 | 第43-45页 |
| ·实验结果及分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 基于信息熵的 PCNN分割算法 | 第47-51页 |
| ·最大熵与最小交叉熵算法融合 | 第47-48页 |
| ·算法步骤 | 第48页 |
| ·实验结果及分析 | 第48-51页 |
| 第六章 总结与展望 | 第51-53页 |
| ·本文总结和主要研究工作 | 第51-52页 |
| ·未来研究展望 | 第52-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-58页 |
