基于脈沖發(fā)放皮層模型的圖像融合技術(shù)

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(nèi)外融合算法中需要解決的問題 6 
1.4 本書的研究工作與內(nèi)容安排 7 
1.4.1 主要創(chuàng)新工作 7 
1.4.2 內(nèi)容安排 7
第2章 脈沖耦合神經(jīng)網(wǎng)絡 10 
2.1 人工神經(jīng)網(wǎng)絡 10 
2.1.1 人工神經(jīng)網(wǎng)絡簡介 10 
2.1.2 人工神經(jīng)網(wǎng)絡發(fā)展歷程 11 
2.1.3 深度學習——最具代表性的人工神經(jīng)網(wǎng)絡未來趨勢之一 14 
2.1.4 人工神經(jīng)網(wǎng)絡特點 15 
2.2 神經(jīng)元及視覺皮層概念 17 
2.2.1 神經(jīng)元 17 
2.2.2 大腦皮層 20 
2.3 常見的哺乳動物視覺皮層神經(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)的研究進展 44 
2.8.3 基于PCNN的圖像融合技術(shù)的特點 48 
2.9 本章小結(jié) 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)絡循環(huán)次數(shù)的設(shè)定 52 
3.3 像素點清晰度評價準則的設(shè)定 53 
3.4 基于SCM的多聚焦圖像融合算法 55 
3.5 融合結(jié)果討論與性能評估 57 
3.5.1 對三種像素點清晰度評價準則的性能評估 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(jié) 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(yī)學圖像融合 68 
4.1 引言 68 
4.1.1 醫(yī)學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(jié)構(gòu) 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(shè)計 77 
4.3.1 算法方案 77 
4.3.2 算法步驟 79 
4.4 實驗及討論 80 
4.5 融合性能評估與結(jié)果分析 83 
4.6 本章小結(jié) 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 融合實驗結(jié)果與討論分析 96 
5.5 本章小結(jié) 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(shù)字簽名 108
第7章 總結(jié)與展望 109 
7.1 總結(jié) 109 
7.2 展望 112 
7.2.1 神經(jīng)網(wǎng)絡 112 
7.2.2 脈沖耦合神經(jīng)網(wǎng)絡 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