脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像處理（第2版）

第1章 理論介紹
1.1 概述
1.2 傳統(tǒng)圖像處理技術(shù)
1.2.1　通用性與差異性
1.2.2 內(nèi)積
1.2.3　哺乳動物的視覺系統(tǒng)
1.2.4　未來工作如何開展
1.3 視覺皮層理論
1.3.1　視覺皮層簡介
1.3.2 Hodgkin-Huxley模型
1.3.3 Fitzhugh-Nagumo模型
1.3.4 Eckhom模型
1.3.5 Rybak模型
1.3.6 Parodi模型
1.4 小結(jié)
第2章 數(shù)字模型原理
2.1　脈沖耦合神經(jīng)網(wǎng)絡(luò)
2.1.1　脈沖耦合神經(jīng)網(wǎng)絡(luò)原始模型
2.1.2　時間序列
2.1.3　神經(jīng)元連接
2.1.4　快速連接
2.1.5　快速平滑
2.1.6　模擬時序仿真
2.2　交叉皮層模型——一個通用的數(shù)字模型
2.2.1　最小計算復(fù)雜度的必要條件
2.2.2　交叉皮層模型
2.2.3　干涉
2.2.4　曲率流模型
2.2.5 向心自動波
2.3　小結(jié)
第3章　圖像目標(biāo)自動識別
3.1　重要的圖像特征
3.2　血液紅細胞圖像分割
3.3　乳腺X射線圖像分割
3.4　航空器圖像識別
3.5　北極光圖像分類
3.6　小數(shù)冪指數(shù)濾波器
3.7 目標(biāo)識別與二值相關(guān)
3.8　圖像分解
3.9　反饋式脈沖圖像發(fā)生器
3.10 目標(biāo)分離
3.11　動態(tài)目標(biāo)分離
3.12　陰影目標(biāo)
3.13　考慮含噪圖像
3.14　小結(jié)
第4章　圖像融合
4.1　多光譜模型
4.2　脈沖耦合圖像融合設(shè)計
4.3　一個彩色圖像的例子
4.4　小波濾波圖像融合實例
4.5　多光譜目標(biāo)檢測
4.6　小結(jié)
第5章　圖像紋理處理
5.1　脈沖譜
5.2　譜的統(tǒng)計分離
5.3　利用統(tǒng)計方法的識別
5.4　通過聯(lián)想記憶的脈沖譜識別
5.5　小結(jié)
第6章　圖像簽名
6.1 圖像簽名理論
6.1.1 PCNN和圖像簽名
6.1.2 顏色與形狀
6.2 目標(biāo)簽名
6.3 真實圖像的簽名
6.4 圖像簽名數(shù)據(jù)庫
6.5 計算最佳視角
6.6 運動估計
6.7 小結(jié)
第7章　PCNN的各種應(yīng)用
7.1 凹點檢測
7.1.1 凹點檢測算法
7.1.2 基于PCNN凹點模型的目標(biāo)識別
7.2 直方圖再造
7.3 迷宮問題
7.4 PCNN在條形碼中的應(yīng)用
7.4.1　數(shù)據(jù)序列和圖像的條形碼生成
7.4.2　PCNN計數(shù)器
7.4.3　化學(xué)藥品索引
7.4.4　星系識別和分類
7.4.5　導(dǎo)航系統(tǒng)
7.4.6　手勢識別
7.4.7　路面檢測
7.5 小結(jié)
第8章　PCNN的硬件實現(xiàn)
　8.1　硬件實現(xiàn)原理
　8.2　用CNAPs處理器實現(xiàn)
　8.3　用VLSI實現(xiàn)
　8.4　用FPGA實現(xiàn)
　8.5　光學(xué)應(yīng)用
　8.6　小結(jié)
參考文獻
索引