基于脈沖發(fā)射皮層模型的圖像融合技術(shù)簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:圖像融合是信息融合領(lǐng)域的一個(gè)研究熱點(diǎn)和難點(diǎn)，也是數字圖像處理領(lǐng)域非常重要的一個(gè)研究分支，有著(zhù)廣泛的軍事和民用需求。脈沖耦合神經(jīng)網(wǎng)絡(luò )被認為是第三代人工神經(jīng)網(wǎng)絡(luò )。脈沖發(fā)放皮層模型是脈沖耦合神經(jīng)網(wǎng)絡(luò )的簡(jiǎn)化模型之一，與傳統脈沖耦合神經(jīng)網(wǎng)絡(luò )相比，脈沖發(fā)放皮層模型具有更輕的運算量：同時(shí)，與現有的其他脈沖耦合神經(jīng)網(wǎng)絡(luò )簡(jiǎn)化模型相比，脈沖發(fā)放皮層模型具備完善的數學(xué)理論基礎，更接近視覺(jué)神經(jīng)元的生物特性?！痘诿}沖發(fā)射皮層模型的圖像融合技術(shù)》從脈沖發(fā)放皮層模型的哺乳動(dòng)物視覺(jué)特性出發(fā)，利用像素級圖像融合原理，探索將脈沖發(fā)放皮層模型應用于圖像融合領(lǐng)域的基本原理與技術(shù)路線(xiàn)?！痘诿}沖發(fā)射皮層模型的圖像融合技術(shù)》探討了符合人眼視覺(jué)特性的相關(guān)圖像融合算法，指出基于脈沖發(fā)放皮層模型的融合技術(shù)的關(guān)鍵性環(huán)節和難點(diǎn)問(wèn)題，并給出解決方案。深入討論了各個(gè)算法的核心部分，通過(guò)融合實(shí)驗對算法的有效性進(jìn)行了驗證?！痘诿}沖發(fā)射皮層模型的圖像融合技術(shù)》提出的融合方法對解決圖像融合問(wèn)題具有一定的參考意義。

作者簡(jiǎn)介:

目錄:目錄
前言
第1章 緒論 1 
1.1 圖像融合的背景、概念及研究意義 1 
1.1.1 圖像融合的背景 1 
1.1.2 圖像融合的概念 1 
1.1.3 圖像融合的意義與優(yōu)勢 2 
1.2 像素級圖像融合方法概述 2 
1.3 國內外融合算法中需要解決的問(wèn)題 6 
1.4 本書(shū)的研究工作與內容安排 7 
1.4.1 主要創(chuàng )新工作 7 
1.4.2 內容安排 7
第2章 脈沖耦合神經(jīng)網(wǎng)絡(luò ) 10 
2.1 人工神經(jīng)網(wǎng)絡(luò ) 10 
2.1.1 人工神經(jīng)網(wǎng)絡(luò )簡(jiǎn)介 10 
2.1.2 人工神經(jīng)網(wǎng)絡(luò )發(fā)展歷程 11 
2.1.3 深度學(xué)習——最具代表性的人工神經(jīng)網(wǎng)絡(luò )未來(lái)趨勢之一 14 
2.1.4 人工神經(jīng)網(wǎng)絡(luò )特點(diǎn) 15 
2.2 神經(jīng)元及視覺(jué)皮層概念 17 
2.2.1 神經(jīng)元 17 
2.2.2 大腦皮層 20 
2.3 常見(jiàn)的哺乳動(dòng)物視覺(jué)皮層神經(jīng)元模型 21 
2.4 PCNN的標準模型與電路理論解釋 28 
2.4.1 PCNN的標準模型 28 
2.4.2 PCNN的電路理論解釋 30 
2.5 PCNN的工作原理和基本特性 31 
2.5.1 PCNN的工作原理 31 
2.5.2 PCNN的基本特性 33 
2.6 研究界的關(guān)注 34 
2.7 PCNN模型的改進(jìn)研究 38 
2.7.1 ICM模型 39 
2.7.2 SCM模型 39 
2.7.3 其他模型 42 
2.8 PCNN在圖像融合領(lǐng)域的應用 42 
2.8.1 基于PCNN的圖像融合技術(shù)的優(yōu)勢 42 
2.8.2 基于PCNN的圖像融合技術(shù)的研究進(jìn)展 44 
2.8.3 基于PCNN的圖像融合技術(shù)的特點(diǎn) 48 
2.9 本章小結 49
第3章 基于脈沖發(fā)放皮層模型的多聚焦圖像融合 51 
3.1 引言 51 
3.2 SCM模型網(wǎng)絡(luò )循環(huán)次數的設定 52 
3.3 像素點(diǎn)清晰度評價(jià)準則的設定 53 
3.4 基于SCM的多聚焦圖像融合算法 55 
3.5 融合結果討論與性能評估 57 
3.5.1 對三種像素點(diǎn)清晰度評價(jià)準則的性能評估 57 
3.5.2 基于SCM的融合算法與其他融合算法的性能比較分析 62 
3.6 本章小結 67 
第4章 基于脈沖發(fā)放皮層模型與非下采樣輪廓波變換的多傳感器醫學(xué)圖像融合 68 
4.1 引言 68 
4.1.1 醫學(xué)圖像融合背景與意義 68 
4.1.2 多分辨率分析的發(fā)展演變：從小波到非下采樣輪廓波變換 70 
4.2 非下采樣輪廓波變換 73 
4.2.1 NSCT的結構 73 
4.2.2 非下采樣金字塔分解 74 
4.2.3 非下采樣方向濾波器組 75 
4.2.4 NSCT圖像融合的步驟 76 
4.3 算法設計 77 
4.3.1 算法方案 77 
4.3.2 算法步驟 79 
4.4 實(shí)驗及討論 80 
4.5 融合性能評估與結果分析 83 
4.6 本章小結 86
第5章 基于脈沖發(fā)放皮層模型與離散小波變換的多源圖像融合 88 
5.1 引言 88 
5.2 小波理論及離散小波變換 89 
5.2.1 小波多分辨率分析的核心思想 89 
5.2.2 二維離散小波變換對圖像的分解與重建 92 
5.3 基于SCM與DWT的多源圖像融合算法 95 
5.3.1 融合方案描述 95 
5.3.2 融合算法步驟 95 
5.4 融合實(shí)驗結果與討論分析 96 
5.5 本章小結 101
第6章 PCNN的應用研究 103 
6.1 圖像除噪 103 
6.2 圖像分割 104 
6.3 模式識別與特征提取 105 
6.4 圖像增強 106 
6.5 數字簽名 108
第7章 總結與展望 109 
7.1 總結 109 
7.2 展望 112 
7.2.1 神經(jīng)網(wǎng)絡(luò ) 112 
7.2.2 脈沖耦合神經(jīng)網(wǎng)絡(luò ) 114 
7.2.3 圖像融合 116
參考文獻 121
附錄 作者近期研究成果 131