| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 脉冲耦合神经网络图像分割算法的发展现状 | 第12-13页 |
| 1.3 脉冲耦合神经网络模型的简介 | 第13-17页 |
| 1.3.1 链接域模型 | 第13-16页 |
| 1.3.2 脉冲耦合神经网络模型 | 第16-17页 |
| 1.4 本文的主要工作及结构安排 | 第17-19页 |
| 第2章 基于PCNN的图像分割算法的介绍 | 第19-28页 |
| 2.1 图像分割的概述 | 第19-21页 |
| 2.2 基于PCNN的图像分割算法的介绍 | 第21-27页 |
| 2.2.1 基于PCNN模型图像分割算法的基本原理 | 第21-22页 |
| 2.2.2 简化版脉冲耦合神经网络模型 | 第22-23页 |
| 2.2.3 模型迭代终止算法的确定 | 第23-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 改进型PCNN图像分割算法的介绍 | 第28-38页 |
| 3.1 遗传算法介绍 | 第28-31页 |
| 3.1.1 遗传算法的基本流程 | 第29-31页 |
| 3.1.2 遗传算法的特点 | 第31页 |
| 3.2 改进型PCNN图像分割算法介绍 | 第31-37页 |
| 3.2.1 种群规模的确定及参数编码方式的选择 | 第32页 |
| 3.2.2 适应度函数的设计 | 第32-33页 |
| 3.2.3 遗传算子的选择 | 第33-35页 |
| 3.2.4 改进型PCNN图像分割算法的MATLAB实现流程 | 第35-36页 |
| 3.2.5 仿真结果分析 | 第36-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 改进型PCNN图像分割算法的硬件实现 | 第38-53页 |
| 4.1 硬件开发方式的选择 | 第38-39页 |
| 4.2 改进型PCNN图像分割算法的硬件实现介绍 | 第39-52页 |
| 4.2.1 控制模块的设计 | 第40-41页 |
| 4.2.2 初始化模块的设计 | 第41-42页 |
| 4.2.3 随机数模块的设计 | 第42-43页 |
| 4.2.4 存储器模块的设计 | 第43-44页 |
| 4.2.5 适应度函数实现原理 | 第44-45页 |
| 4.2.6 遗传操作实现原理 | 第45-46页 |
| 4.2.7 图像分割模块实现原理 | 第46-51页 |
| 4.2.8 图像显示模块 | 第51-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 改进型算法在医学红细胞图像自动计数中的应用 | 第53-60页 |
| 5.1 引言 | 第53页 |
| 5.2 红细胞图像自动计数算法介绍 | 第53-59页 |
| 5.2.1 图像预处理 | 第54-55页 |
| 5.2.2 图像分割处理 | 第55-56页 |
| 5.2.3 图像的形态学处理 | 第56-57页 |
| 5.2.4 图像粘连细胞分离 | 第57-58页 |
| 5.2.5 红细胞图像的自动计数 | 第58-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60页 |
| 6.2 未来工作展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士期间发表的学术论文 | 第67-68页 |
