| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 国内外相关技术研究现状 | 第9-12页 |
| 1.2.1 图像融合 | 第9-10页 |
| 1.2.2 基于神经网络的图像融合 | 第10-12页 |
| 1.3 主要研究内容及技术路线 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-15页 |
| 第二章 图像融合基本理论 | 第15-27页 |
| 2.1 概述 | 第15-17页 |
| 2.2 基于空间域的图像融合 | 第17-21页 |
| 2.2.1 基于IHS变换的图像融合 | 第17-18页 |
| 2.2.2 基于K-L变换的图像融合 | 第18-19页 |
| 2.2.3 仿真结果与分析 | 第19-21页 |
| 2.3 基于变换域的图像融合 | 第21-26页 |
| 2.3.1 基于拉普拉斯金字塔变换的图像融合 | 第22-23页 |
| 2.3.2 基于Shearlet变换的图像融合 | 第23-24页 |
| 2.3.3 仿真结果与分析 | 第24-26页 |
| 2.4 小结 | 第26-27页 |
| 第三章 基于脉冲耦合神经网络的图像融合 | 第27-46页 |
| 3.1 概述 | 第27页 |
| 3.2 脉冲耦合神经网络模型原理 | 第27-31页 |
| 3.2.1 PCNN基本模型 | 第27-28页 |
| 3.2.2 PCNN运行机制 | 第28-30页 |
| 3.2.3 PCNN参数分析 | 第30-31页 |
| 3.3 基于改进型脉冲耦合神经网络的图像融合 | 第31-35页 |
| 3.3.1 PCNN的模型改进 | 第31-32页 |
| 3.3.2 基于改进模型的PCNN图像融合 | 第32-34页 |
| 3.3.3 基于改进型PCNN与Shearlet相结合的图像融合 | 第34-35页 |
| 3.4 仿真结果与分析 | 第35-45页 |
| 3.4.1 改进型PCNN的多源图像融合结果与分析 | 第35-43页 |
| 3.4.2 改进型PCNN与Shearlet结合的多源图像融合结果与分析 | 第43-45页 |
| 3.5 小结 | 第45-46页 |
| 第四章 基于细胞神经网络的图像融合 | 第46-63页 |
| 4.1 概述 | 第46-47页 |
| 4.2 细胞神经网络的基本理论 | 第47-53页 |
| 4.2.1 CNN基本模型 | 第47-48页 |
| 4.2.2 CNN运行机制 | 第48-52页 |
| 4.2.3 CNN模版设计 | 第52-53页 |
| 4.3 基于细胞神经网络的图像融合 | 第53-56页 |
| 4.3.1 适用于图像融合处理的CNN模型 | 第53-55页 |
| 4.3.2 基于CNN的图像融合 | 第55-56页 |
| 4.4 仿真结果与分析 | 第56-62页 |
| 4.5 小结 | 第62-63页 |
| 第五章 图像融合质量评价方法 | 第63-76页 |
| 5.1 概述 | 第63页 |
| 5.2 图像融合质量评价方法 | 第63-74页 |
| 5.2.1 主观评价方法 | 第63-64页 |
| 5.2.2 客观评价方法 | 第64-68页 |
| 5.2.3 不同类型图像融合结果的评价分析 | 第68-74页 |
| 5.3 图像融合评价指标的选取 | 第74-75页 |
| 5.4 小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本文工作总结 | 第76-77页 |
| 6.1.1 论文主要工作 | 第76-77页 |
| 6.1.2 研究主要贡献及创新点 | 第77页 |
| 6.2 研究方向展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 攻读硕士期间取得的研究成果 | 第84-85页 |
