第1章 脉冲耦合神经网络 1
1.1大脑皮层 1
1.1.1神经元 2
1.1.2大脑皮层 3
1.2脉冲耦合神经网络的基本模型 5
1.2.1 Eckhorn神经元模型 5
1.2.2脉冲耦合神经网络模型 8
1.2.3脉冲耦合神经网络模型的电路理论解释 9
1.3脉冲耦合神经网络的工作机理 11
1.3.1无耦合连接 11
1.3.2耦合连接 13
1.3.3主要特性 14
1.3.4性能参数 16
1.4自适应脉冲耦合神经网络 17
1.4.1基于遗传算法的脉冲耦合神经网络的参数自动设定 18
1.4.2基于LMS准则和梯度下降法的自适应脉冲耦合神经网络 19
1.5脉冲耦合神经网络的MATLAB实现 23
1.6小结 24
参考文献 26
第2章 图像滤波及脉冲噪声滤波器 30
2.1图像处理中的噪声与滤波 30
2.1.1噪声的特征与分类 30
2.1.2传统的噪声抑制方法 31
2.1.3一些新兴的噪声抑制方法 35
2.1.4图像和噪声本身的统计特性是图像除噪的难点 38
2.2一些经典噪声滤波器 39
2.2.1脉冲噪声滤波器 39
2.2.2高斯噪声滤波器 40
2.2.3混合噪声滤波器 42
2.3基于简化PCNN模型的脉冲噪声滤波器 44
2.3.1简化PCNN模型结构 44
2.3.2基于简化PCNN模型的脉冲噪声滤波器 45
2.4基于PCNN的高斯噪声滤波器 49
2.4.1基于简化PCNN模型的高斯噪声滤波器 49
2.4.2基于PCNN赋时矩阵的高斯噪声滤波 51
参考文献 55
第3章 脉冲耦合神经网络在图像分割中的应用 57
3.1图像分割技术 57
3.1.1图像分割的定义 57
3.1.2图像分割领域需要解决的问题 57
3.2生物细胞图像分割技术的进展 59
3.2.1生物细胞图像分割技术的现状 59
3.2.2生物细胞图像本身属性是自动分割的难点 65
3.3基于PCNN和熵值最大原则的植物细胞图像分割 67
3.3.1基于PCNN和熵值最大原则的植物胚性细胞图像分割研究 67
3.3.2实验结果分析 70
3.4基于聚类的分割技术进展 71
3.4.1图像分割的实质 71
3.4.2基于聚类的图像分割技术 73
3.5基于区域增长的PCNN分割 78
3.5.1区域生长的概念 78
3.5.2 Stewart等的PCNN改进模型 79
3.5.3对Stewart等模型的改进及结果讨论 82
3.6基于交叉熵的改进型PCNN图像自动分割方法 89
3.6.1最小交叉熵阈值分割算法 89
3.6.2 PCNN模型及其改进 90
3.6.3实验仿真结果与分析 92
3.7基于遗传算法的PCNN自动系统的研究 95
3.7.1基于遗传算法和PCNN的图像自动分割算法的设计与实现 95
3.7.2仿真实验结果和结论 98
3.8一种生物彩色图像自动分割新方案 100
3.8.1分割方案 101
3.8.2实验结果 102
3.8.3结论 104
3.9基于PCNN的图像边缘检测方法 104
3.10基于PCNN的图像二值化算法及分割评价研究 107
3.10.1几种常用的图像二值化算法 107
3.10.2基于PCNN的图像二值化方法研究 109
3.10.3图像二值化分割评价准则 109
3.10.4实验结果及分析 111
3.10.5结论 114
参考文献 115
第4章 脉冲耦合神经网络与图像编码 122
4.1图像压缩编码概述 122
4.1.1传统的压缩编码技术 122
4.1.2现代图像压缩编码技术 125
4.2基于感兴趣区的图像压缩编码 128
4.2.1 CDF9/7小波和BNC17/11小波 129
4.2.2算法原理 130
4.2.3算法详细说明和讨论 130
4.2.4实验结果 131
4.2.5结论 132
4.3基于小波的感兴趣区渐进图像传输算法 133
4.3.1小波编码特性 133
4.3.2感兴趣区渐进图像传输算法 134
4.3.3实验结果 136
4.3.4结论 137
4.4一种快速小波子带分形图像压缩编码方法 137
4.4.1小波结合分形的压缩编码思想 138
4.4.2计算机仿真实验及结果分析 139
4.5不规则区域编码综述与进展 142
4.5.1经典编码技术比较 143
4.5.2不规则区域编码方法 144
4.5.3不规则区域编码的展望 148
4.6传统神经网络图像压缩方法 148
4.6.1用于图像压缩的BP神经网络模型 149
4.6.2基于分类的改进BP神经网络图像压缩算法 149
4.6.3实验结果和分析 151
4.7基于PCNN的不规则区域编码 151
4 7.1编码原理 152
4.7.2算法描述 154
4.7.3 DSP仿真 155
4.7.4实验结果及分析 156
参考文献 160
第5章 脉冲耦合神经网络与图像增强 165
5.1图像增强 165
5.1.1空域增强 165
5.1.2频域增强 165
5.1.3色彩增强 166
5.2人眼视觉特性与PCNN赋时矩阵 167
5.2.1人眼视觉特性 167
5.2.2 PCNN与人眼视觉特性 168
5.2.3 PCNN赋时矩阵 169
5.3基于PCNN的图像增强算法 170
5.3.1改进PCNN模型 170
5.3.2基于赋时矩阵图像增强算法 171
5.3.3实现彩色图像增强算法 171
5.4小结 172
参考文献 173
第6章 脉冲耦合神经网络与图像融合 175
6.1图像融合概述 175
6.1.1图像融合分类 175
6.1 2融合效果评价 177
6.2基于PCNN的医学图像融合 178
6.2.1双通道PCNN模型 179
6.2.2双通道PCNN图像融合的实现 180
6.2.3实验结果与分析 181
6.3基于PCNN的多聚焦图像融合 183
6.3.1模型介绍 184
6.3.2算法描述 184
6.3.3实验结果 185
参考文献 188
第7章 脉冲耦合神经网络与形态学 190
7.1 PCNN与二值数学形态学 190
7.1.1腐蚀和膨胀 190
7.1.2开运算和闭运算 192
7.1.3数学形态学基本运算的应用 192
7.1.4基于数学形态学的血细胞图像分割与计数算法 194
7.1.5 PCNN自动波传播特征 197
7.1.6基于PCNN自动波特征的血细胞图像分割和计数方法 200
7.2 PCNN与灰度形态学相结合的除噪方法 208
7.2.1灰度数学形态学简介 208
7.2.2灰度开闭（OC）和闭开（CO）滤波 210
7.2 3除噪算法 211
7.2.4计算机仿真及结果分析 211
7.2.5结论 214
7.3 ICM与灰度形态学相结合的除噪方法 214
7.3.1交叉皮层模型 214
7.3.2 ICM与形态学相结合的除噪算法 216
7.3.3仿真和结果分析 216
7.3.4结论 218
7.4 PCNN与形态学结合的图像标定 219
7.4.1基于双层PCNN与形态学的区域标识算法 219
7.4.2实验仿真结果 221
参考文献 222
第8章 脉冲耦合神经网络在特征提取中的应用 225
8.1 PCNN与特征提取 225
8.1.1时间序列 225
8.1.2熵序列 226
8.1.3统计序列 226
8.1.4正交变换 226
8.1.5特征提取方法总结 227
8.2有噪图像识别 227
8.2.1基于PCNN的特征提取算法 228
8.2.2实验仿真结果 228
8.3基于直方图矢量重心的图像目标识别 231
8.3.1改进型PCNN模型及其赋时矩阵 231
8.3.2直方图矢量重心特征 232
8.3.3实验结果与分析 233
8.4 PCNN应用于语音识别 235
8.4.1语谱图介绍 236
8.4.2语谱图特征提取算法 237
8.4.3实验仿真与结果分析 238
8.5虹膜识别 240
8.5.1 ICM模型 241
8.5.2基于ICM的虹膜识别算法 242
8.5.3实验结果与分析 244
8.5.4其他方案 244
8.6基于LMS准则和梯度下降法的自适应脉冲耦合神经网络 245
8.6.1 LMS算法 246
8.6.2自适应脉冲耦合神经网络的实现 246
8.6.3光照对PCNN输出点火时间序列的影响 250
8.6.4自适应脉冲耦合神经网络试验研究 251
参考文献 254
第9章 脉冲耦合神经网络与数字图像签名技术 258
9.1基于内容的图像检索综述 258
9.1.1图像检索技术 258
9.1.2基于内容的图像检索的索引技术 259
9.1.3图像内容的相似度量方法 261
9.1.4图像多特征的相关反馈检索技术 261
9.1.5基于内容的图像检索效果评判 261
9.2基于PCNN的数字图像签名技术 261
9.2.1基于PCNN的特征提取 262
9.2.2实验结果 263
9.3基于ICM的数字图像签名技术 266
9.3.1 ICM模型 266
9.3.2基于ICM的图像检索系统 267
9.4基于PCNN和ICM的图像检索系统性能 268
9.4.1 PCNN和ICM在基于内容的图像检索系统的优势 268
9.4.2基于PCNN和ICM的图像签名技术可改进的地方 268
9.4.3关于数据库的几点说明 269
参考文献 270
第10章 脉冲耦合神经网络与组合决策优化 272
10.1组合决策优化 272
10.1.1基本概念 272
10.1.2组合决策优化问题的三种提法 273
10.1.3 PCNN与组合决策优化的结合 274
10.2基于PCNN的多项式时间算法 275
10.2.1最短路径问题 275
10.2.2基于PCNN的最短路径问题求解算法 275
10.2.3基于PCNN的最短路径问题求解仿真实验 277
10.3基于PCNN的非多项式时间算法 279
10.3.1旅行商问题 279
10.3.2基于PCNN的TSP求解算法 281
10.3.3基于PCNN的TSP求解仿真实验 282
参考文献 285
第11章 脉冲耦合神经网络和小波变换 286
11.1小波理论概述 286
11.1.1连续小波变换 286
11.1.2小波变换的时频局部化性能 287
11.1.3两类重要的小波变换 288
11.1.4小波包变换 288
11.1.5小波函数的多样性 289
11.2 PCNN与小波变换 289
11.3 PCNN与小波变换的结合 294
11.3.1 PCNN和小波变换在软件方面的结合 294
11.3.2 PCNN和小波变换在硬件方面的结合 295
11.4非抽样contourlet变换与PCNN在凹点检测的结合应用 297
11.4.1非抽样contourlet变换 297
11.4.2 Sigmoid输出函数的PCNN 298
11.4.3实验方案设计 299
11.4.4实验分析与讨论 299
参考文献 302