脈沖耦合神經網絡圖像處理(第2版)（簡體書）

《脈沖耦合神經網絡圖像處理》是第一本詳細探索和展示脈；中耦合神經網絡(PCNN)極佳圖像處理能力的專著。PCNN及其相關模型均源自生物神經元啟發模型研究，是圖像紋理分析、邊緣提取、區域分割等非常強大的處理工具。這也是大多數圖像處理項目的最基本任務，故PCNN非常適合目標識別、凹點檢測和圖像融合等常規圖像處理任務。因此，PCNN的出現為目標分離、多通道圖像融合、圖像簽名和基於內容的圖像檢索等圖像處理的新技術發展鋪平了道路。《脈沖耦合神經網絡圖像處理》還包括大量PCNN圖像處理的應用實例以及對其硬件實現技術的討論。.
《脈沖耦合神經網絡圖像處理》適合從事智能信息處理、模式識別、數字信號處理與軟計算理論、計算機視覺、通信與圖像工程、生物醫學圖像處理等信息學科相關專業高年級本科生、研究生和相關工程技術人員閱讀。

第1章 理論介紹.
1.1 概述
1.2 傳統圖像處理技術
1.2.1 通用性與差異性
1.2.2 內積
1.2.3 哺乳動物的視覺系統
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 Pitzhugh-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

第2章 數字模型原理
2.1 脈沖耦合神經網絡
2.1.1 脈沖耦合神經網絡原始模型
2.1.2 時間序列
2.1.3 神經元連接
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--一個通用的數字模型
2.2.1 最小計算復雜度的必要條件
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

第3章 圖像目標自動識別
3.1 重要的圖像特徵
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 小數冪指數濾波器
3.7 目標識別與二值相關
3.8 圖像分解
3.9 反饋式脈沖圖像發生器
3.10 目標分離
3.11 動態目標分離
3.12 陰影目標
3.13考慮含噪圖像
3.14 小結

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 多光譜目標檢測
4.6 小結..

第5章 圖像紋理處理
5.1 脈沖譜
5.2 譜的統計分離
5.3 利用統計方法的識別
5.4 通過聯想記憶的脈沖譜識別
5.5 小結

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 目標簽名
6.3 真實圖像的簽名
6.4 圖像簽名數據庫
6.5 計算最佳視角
6.6 運動估計
6.7 小結

第7章 PCNN的各種應用
7.1 凹點檢測
7.1.1 凹點檢測算法
7.1.2 基於PCNN 點模型的目標識別
7.2 直方圖再造
7.3 迷宮問題
7.4 PCNN在條形碼中的應用
7.4.1 數據序列和圖像的條形碼生成
7.4.2 PCNN計數器
7.4.3 化學藥品索引
7.4.4 星系識別和分類
7.4.5 導航系統
7.4.6 手勢識別
7.4.7 路面檢測
7.5 小結

第8章 PCNN的硬件實現
8.1 硬件實現原理
8.2 用CNAPs處理器實現
8.3 用VLSI實現
8.4 用FPGA實現
8.5 光學應用
8.6 小結
參考文獻
索引