第1章 理论介绍 1
1.1 概述 1
1.2 传统图像处理技术 1
1.2.1 通用性与差异性 2
1.2.2 内积 2
1.2.3 哺乳动物的视觉系统 3
1.2.4 未来工作如何开展 4
1.3 视觉皮层理论 4
1.3.1 视觉皮层简介 4
1.3.2 Hodgkin-Huxley模型 5
1.3.3 Fitzhugh-Nagumo模型 6
1.3.4 Eckhorn模型 7
1.3.5 Rybak模型 8
1.3.6 Parodi模型 9
1.4 小结 9
第2章 数字模型原理 10
2.1 脉冲耦合神经网络 10
2.1.1 脉冲耦合神经网络原始模型 10
2.1.2 时间序列 14
2.1.3 神经元连接 16
2.1.4 快速连接 18
2.1.5 快速平滑 19
2.1.6 模拟时序仿真 20
2.2 交叉皮层模型——一个通用的数字模型 21
2.2.1 最小计算复杂度的必要条件 21
2.2.2 交叉皮层模型 22
2.2.3 干涉 24
2.2.4 曲率流模型 26
2.2.5 向心自动波 26
2.3 小结 28
第3章 图像目标自动识别 30
3.1 重要的图像特征 30
3.2 血液红细胞图像分割 35
3.3 乳腺X射线图像分割 36
3.4 航空器图像识别 37
3.5 北极光图像分类 38
3.6 小数幂指数滤波器 40
3.7 目标识别与二值相关 41
3.8 图像分解 44
3.9 反馈式脉冲图像发生器 46
3.10 目标分离 48
3.11 动态目标分离 51
3.12 阴影目标 53
3.13 考虑含噪图像 54
3.14 小结 58
第4章 图像融合 59
4.1 多光谱模型 59
4.2 脉冲耦合图像融合设计 61
4.3 一个彩色图像的例子 63
4.4 小波滤波图像融合实例 64
4.5 多光谱目标检测 64
4.6 小结 69
第5章 图像纹理处理 70
5.1 脉冲谱 70
5.2 谱的统计分离 73
5.3 利用统计方法的识别 74
5.4 通过联想记忆的脉冲谱识别 75
5.5 小结 78
第6章 图像签名 79
6.1 图像签名理论 79
6.1.1 PCNN和图像签名 80
6.1.2 颜色与形状 81
6.2 目标签名 81
6.3 真实图像的签名 82
6.4 图像签名数据库 84
6.5 计算最佳视角 85
6.6 运动估计 88
6.7 小结 90
第7章 PCNN的各种应用 91
7.1 凹点检测 91
7.1.1 凹点检测算法 92
7.1.2 基于PCNN凹点模型的目标识别 94
7.2 直方图再造 96
7.3 迷宫问题 98
7.4 PCNN在条形码中的应用 99
7.4.1 数据序列和图像的条形码生成 100
7.4.2 PCNN计数器 103
7.4.3 化学药品索引 103
7.4.4 星系识别和分类 109
7.4.5 导航系统 113
7.4.6 手势识别 114
7.4.7 路面检测 117
7.5 小结 120
第8章 PCNN的硬件实现 121
8.1 硬件实现原理 121
8.2 用CNAPs处理器实现 122
8.3 用VLSI实现 124
8.4 用FPGA实现 124
8.5 光学应用 128
8.6 小结 129
参考文献 130
索引 137