脈沖耦合神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用

　　內(nèi)容簡介 本書在詳細(xì)闡述脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN ）原理的基礎(chǔ)上，深入分析其在數(shù)字圖像處理技術(shù)中的應(yīng)用，特別介紹了在圖像分割、邊緣檢測、參數(shù)尋優(yōu)、圖像增強(qiáng)、目標(biāo)識(shí)別、圖像標(biāo)示、壓縮編碼、噪聲抑制及語音識(shí)別等方面的最新研究成果，同時(shí)介紹了與數(shù)學(xué)形態(tài)學(xué)、小波變換、粗集理論等結(jié)合的應(yīng)用實(shí)例，還給出了在Matlab環(huán)境下編程實(shí)現(xiàn)的主要程序，以便研究人員和學(xué)習(xí)者盡快掌握，利于其在我國的應(yīng)用和相關(guān)芯片的開發(fā)設(shè)計(jì)。 本書適合圖像通信工程等相關(guān)領(lǐng)域的研究人員和信息處理相關(guān)專業(yè)的研究生、高年級本科生參考使用，也適合數(shù)字信號處理和數(shù)字圖像分析及處理專業(yè)的相關(guān)研究者閱讀。本書目錄 《智能科學(xué)技術(shù)著作叢書》 序 前言 第1章 神經(jīng)網(wǎng)絡(luò)圖像處理技術(shù) 1.1 神經(jīng)元 1.2 人工神經(jīng)網(wǎng)絡(luò)技術(shù) 參考文獻(xiàn) 第2章 PCNN模型及其應(yīng)用概述 2.1 PCNN模型 2.2 PCNN應(yīng)用于數(shù)字圖像處理 2.3 PCNN模型的Matlab實(shí)現(xiàn) 2.4 參考文獻(xiàn) 第3章 PCNN在圖像濾波中的應(yīng)用 3.1 圖像處理中的噪聲與濾波 3.1.1 噪聲的特征與分類 3.1.2 傳統(tǒng)的噪聲抑制方法 3.1.3 一些新興的噪聲抑制方法 3.2 基于簡化PCNN模型的脈沖噪聲濾波器 3.2.1 簡化PCNN模型結(jié)構(gòu) 3.2.2 基于簡化PCNN模型的脈沖噪聲濾波器 3.3 基于PCNN的高斯噪聲濾波器 3.3.1 基于簡化PCNN模型的高斯噪聲濾波器 3.3.2 基于PCNN賦時(shí)矩陣的高斯噪聲濾波 參考文獻(xiàn) 第4章 PCNN在圖像分割中的應(yīng)用 4.1 圖像分割技術(shù) 4.1.1 圖像分割的定義 4.1.2 圖像分割領(lǐng)域需要解決的問題 4.2 生物細(xì)胞圖像分割技術(shù)的進(jìn)展 4.2.1 生物細(xì)胞圖像分割技術(shù)的現(xiàn)狀 4.2.2 生物細(xì)胞圖像木身屬性是自動(dòng)分割的難點(diǎn) 4.3 基于PCNN和熵值最大原則的植物細(xì)胞圖像分割 4.3.1 基于PCNN和熵值最大原則的植物胚性細(xì)胞圖像分割研究 4.3.2 實(shí)驗(yàn)結(jié)果分析 4.4 基于聚類的分割技術(shù)進(jìn)展 4.4.1 圖像分割的實(shí)質(zhì) 4.4.2 基于聚類的圖像分割技術(shù) 4.5 基于區(qū)域生長的PCNN分割 4.5.1 區(qū)域生長的概念 4.5.2 Robert D Stewart等人的PCNN改進(jìn)模型 4.5.3 對Robert D Stewart等模型的改進(jìn)及結(jié)果討論 4.6 基于交叉熵的改進(jìn)型PCNN圖像自動(dòng)分割方法 4.6.1 最小交叉熵閾值分割算法 4.6.2 PCNN模型及其改進(jìn) 4.6.3 計(jì)算機(jī)仿真結(jié)果與分析 4.7 基于遺傳算法的PCNN自動(dòng)系統(tǒng)的研究 4.7.1 基于遺傳算法和PCNN的圖像自動(dòng)分割算法的設(shè)計(jì)與實(shí)現(xiàn) 4.7.2 仿真實(shí)驗(yàn)結(jié)果和結(jié)論 4.8 基于PCNN的圖像邊緣檢測方法 4.8.1 基本原理及檢測方法 4.8.2 計(jì)算機(jī)仿真結(jié)果 參考文獻(xiàn) 第5章 PCNN在圖像編碼中的應(yīng)用 5.1 圖像壓縮編碼概述 5.1.1 傳統(tǒng)的壓縮編碼技術(shù) 5.1.2 現(xiàn)代圖像壓縮編碼技術(shù) 5.2 基于PCNN的分割圖像編碼 5.2.1 分割圖像編碼原理 5.2.2 基于PCNN的圖像分割編碼 參考文獻(xiàn) 第6章 PCNN與圖像增強(qiáng) 6.1 圖像增強(qiáng)概述 6.1.1 空域增強(qiáng) 6.1.2 頻域增強(qiáng) 6.1.3 色彩增強(qiáng) 6.2 PCNN灰度圖像增強(qiáng) 6.2.1 整體對比度增強(qiáng) 6.2.2 局部對比度增強(qiáng) 6.2.3 實(shí)際結(jié)果比較 6.3 PCNN彩色圖像增強(qiáng) 6.3.1 彩色圖像的色彩空間變換 6.3.2 彩色圖像增強(qiáng)方法 6.3.3 實(shí)際結(jié)果比較 參考文獻(xiàn) 第7章 PCNN與粗集理論、形態(tài)學(xué)和小波變換 7.1 PCNN與粗集理論 7.1.1 粗糙集理論的基木概念 7.1.2 Rough set模型的擴(kuò)展 7.1.3 粗糙集理論的應(yīng)用 7.1.4 Rough set與神經(jīng)網(wǎng)絡(luò)的結(jié)合 7.1.5 基于PCNN賦時(shí)矩陣與粗集理論不可分辨關(guān)系的圖像增強(qiáng) 7.2 PCNN與數(shù)學(xué)形態(tài)學(xué) 7.2.1 腐蝕和膨脹 7.2.2 開運(yùn)算和閉運(yùn)算 7.2.3 數(shù)學(xué)形態(tài)學(xué)基本運(yùn)算的應(yīng)用 7.2.4 PCNN與數(shù)學(xué)形態(tài)學(xué)在圖像處理中的等價(jià)關(guān)系 7.3 PCNN和小波變換 7.3.1 小波理論概述 7.3.2 PCNN與小波變換 參考文獻(xiàn) 第8章 PCNN的其他應(yīng)用 8.1 PCNN與圖像標(biāo)定 8.1.1 基于雙層PCNN與形態(tài)學(xué)的區(qū)域標(biāo)識(shí)算法 8.1.2 實(shí)驗(yàn)仿真結(jié)果 8.2 PCNN求解最佳路徑 8.2.1 DPCNN模型 8.2.2 基于DPCNN的最短路徑求解 8.2.3 仿真結(jié)果 8.3 PCNN與有噪圖像識(shí)別 8.3.1 基于PCNN的特征提取算法 8.3.2 實(shí)驗(yàn)仿真結(jié)果 8.4 PCNN應(yīng)用于語音識(shí)別 8.1.1 語譜圖介紹 8.1.2 語譜圖特征提取算法 8.1.3 實(shí)驗(yàn)仿真與結(jié)果分析 參考文獻(xiàn)

暫缺《脈沖耦合神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用》作者簡介