脈沖耦合神經(jīng)網(wǎng)絡原理及其應用

　　內(nèi)容簡介 本書在詳細闡述脈沖耦合神經(jīng)網(wǎng)絡（PCNN ）原理的基礎上，深入分析其在數(shù)字圖像處理技術中的應用，特別介紹了在圖像分割、邊緣檢測、參數(shù)尋優(yōu)、圖像增強、目標識別、圖像標示、壓縮編碼、噪聲抑制及語音識別等方面的最新研究成果，同時介紹了與數(shù)學形態(tài)學、小波變換、粗集理論等結合的應用實例，還給出了在Matlab環(huán)境下編程實現(xiàn)的主要程序，以便研究人員和學習者盡快掌握，利于其在我國的應用和相關芯片的開發(fā)設計。 本書適合圖像通信工程等相關領域的研究人員和信息處理相關專業(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)的相關研究者閱讀。本書目錄 《智能科學技術著作叢書》 序 前言 第1章 神經(jīng)網(wǎng)絡圖像處理技術 1.1 神經(jīng)元 1.2 人工神經(jīng)網(wǎng)絡技術 參考文獻 第2章 PCNN模型及其應用概述 2.1 PCNN模型 2.2 PCNN應用于數(shù)字圖像處理 2.3 PCNN模型的Matlab實現(xiàn) 2.4 參考文獻 第3章 PCNN在圖像濾波中的應用 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模型結構 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賦時矩陣的高斯噪聲濾波 參考文獻 第4章 PCNN在圖像分割中的應用 4.1 圖像分割技術 4.1.1 圖像分割的定義 4.1.2 圖像分割領域需要解決的問題 4.2 生物細胞圖像分割技術的進展 4.2.1 生物細胞圖像分割技術的現(xiàn)狀 4.2.2 生物細胞圖像木身屬性是自動分割的難點 4.3 基于PCNN和熵值最大原則的植物細胞圖像分割 4.3.1 基于PCNN和熵值最大原則的植物胚性細胞圖像分割研究 4.3.2 實驗結果分析 4.4 基于聚類的分割技術進展 4.4.1 圖像分割的實質(zhì) 4.4.2 基于聚類的圖像分割技術 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改進模型 4.5.3 對Robert D Stewart等模型的改進及結果討論 4.6 基于交叉熵的改進型PCNN圖像自動分割方法 4.6.1 最小交叉熵閾值分割算法 4.6.2 PCNN模型及其改進 4.6.3 計算機仿真結果與分析 4.7 基于遺傳算法的PCNN自動系統(tǒng)的研究 4.7.1 基于遺傳算法和PCNN的圖像自動分割算法的設計與實現(xiàn) 4.7.2 仿真實驗結果和結論 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 計算機仿真結果 參考文獻 第5章 PCNN在圖像編碼中的應用 5.1 圖像壓縮編碼概述 5.1.1 傳統(tǒng)的壓縮編碼技術 5.1.2 現(xiàn)代圖像壓縮編碼技術 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 第6章 PCNN與圖像增強 6.1 圖像增強概述 6.1.1 空域增強 6.1.2 頻域增強 6.1.3 色彩增強 6.2 PCNN灰度圖像增強 6.2.1 整體對比度增強 6.2.2 局部對比度增強 6.2.3 實際結果比較 6.3 PCNN彩色圖像增強 6.3.1 彩色圖像的色彩空間變換 6.3.2 彩色圖像增強方法 6.3.3 實際結果比較 參考文獻 第7章 PCNN與粗集理論、形態(tài)學和小波變換 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模型的擴展 7.1.3 粗糙集理論的應用 7.1.4 Rough set與神經(jīng)網(wǎng)絡的結合 7.1.5 基于PCNN賦時矩陣與粗集理論不可分辨關系的圖像增強 7.2 PCNN與數(shù)學形態(tài)學 7.2.1 腐蝕和膨脹 7.2.2 開運算和閉運算 7.2.3 數(shù)學形態(tài)學基本運算的應用 7.2.4 PCNN與數(shù)學形態(tài)學在圖像處理中的等價關系 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 第8章 PCNN的其他應用 8.1 PCNN與圖像標定 8.1.1 基于雙層PCNN與形態(tài)學的區(qū)域標識算法 8.1.2 實驗仿真結果 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 仿真結果 8.3 PCNN與有噪圖像識別 8.3.1 基于PCNN的特征提取算法 8.3.2 實驗仿真結果 8.4 PCNN應用于語音識別 8.1.1 語譜圖介紹 8.1.2 語譜圖特征提取算法 8.1.3 實驗仿真與結果分析 參考文獻

暫缺《脈沖耦合神經(jīng)網(wǎng)絡原理及其應用》作者簡介