书籍详情
基于脉冲发放皮层模型的图像融合技术
作者：王念一
出版社：科学出版社
出版时间：2019-03-01
ISBN：9787030608253
定价：¥68.00
购买这本书可以去
内容简介
图像融合是信息融合领域的一个研究热点和难点，也是数字图像处理领域非常重要的一个研究分支，有着广泛的军事和民用需求。脉冲耦合神经网络被认为是第三代人工神经网络。脉冲发放皮层模型是脉冲耦合神经网络的简化模型之一，与传统脉冲耦合神经网络相比，脉冲发放皮层模型具有更轻的运算量：同时，与现有的其他脉冲耦合神经网络简化模型相比，脉冲发放皮层模型具备完善的数学理论基础，更接近视觉神经元的生物特性。《基于脉冲发射皮层模型的图像融合技术》从脉冲发放皮层模型的哺乳动物视觉特性出发，利用像素级图像融合原理，探索将脉冲发放皮层模型应用于图像融合领域的基本原理与技术路线。《基于脉冲发射皮层模型的图像融合技术》探讨了符合人眼视觉特性的相关图像融合算法，指出基于脉冲发放皮层模型的融合技术的关键性环节和难点问题，并给出解决方案。深入讨论了各个算法的核心部分，通过融合实验对算法的有效性进行了验证。《基于脉冲发射皮层模型的图像融合技术》提出的融合方法对解决图像融合问题具有一定的参考意义。
作者简介
暂缺《基于脉冲发放皮层模型的图像融合技术》作者简介
目录
目录
前言
第1章 绪论 1
1.1 图像融合的背景、概念及研究意义 1
1.1.1 图像融合的背景 1
1.1.2 图像融合的概念 1
1.1.3 图像融合的意义与优势 2
1.2 像素级图像融合方法概述 2
1.3 国内外融合算法中需要解决的问题 6
1.4 本书的研究工作与内容安排 7
1.4.1 主要创新工作 7
1.4.2 内容安排 7
第2章 脉冲耦合神经网络 10
2.1 人工神经网络 10
2.1.1 人工神经网络简介 10
2.1.2 人工神经网络发展历程 11
2.1.3 深度学习——最具代表性的人工神经网络未来趋势之一 14
2.1.4 人工神经网络特点 15
2.2 神经元及视觉皮层概念 17
2.2.1 神经元 17
2.2.2 大脑皮层 20
2.3 常见的哺乳动物视觉皮层神经元模型 21
2.4 PCNN的标准模型与电路理论解释 28
2.4.1 PCNN的标准模型 28
2.4.2 PCNN的电路理论解释 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 研究界的关注 34
2.7 PCNN模型的改进研究 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在图像融合领域的应用 42
2.8.1 基于PCNN的图像融合技术的优势 42
2.8.2 基于PCNN的图像融合技术的研究进展 44
2.8.3 基于PCNN的图像融合技术的特点 48
2.9 本章小结 49
第3章 基于脉冲发放皮层模型的多聚焦图像融合 51
3.1 引言 51
3.2 SCM模型网络循环次数的设定 52
3.3 像素点清晰度评价准则的设定 53
3.4 基于SCM的多聚焦图像融合算法 55
3.5 融合结果讨论与性能评估 57
3.5.1 对三种像素点清晰度评价准则的性能评估 57
3.5.2 基于SCM的融合算法与其他融合算法的性能比较分析 62
3.6 本章小结 67
第4章 基于脉冲发放皮层模型与非下采样轮廓波变换的多传感器医学图像融合 68
4.1 引言 68
4.1.1 医学图像融合背景与意义 68
4.1.2 多分辨率分析的发展演变：从小波到非下采样轮廓波变换 70
4.2 非下采样轮廓波变换 73
4.2.1 NSCT的结构 73
4.2.2 非下采样金字塔分解 74
4.2.3 非下采样方向滤波器组 75
4.2.4 NSCT图像融合的步骤 76
4.3 算法设计 77
4.3.1 算法方案 77
4.3.2 算法步骤 79
4.4 实验及讨论 80
4.5 融合性能评估与结果分析 83
4.6 本章小结 86
第5章 基于脉冲发放皮层模型与离散小波变换的多源图像融合 88
5.1 引言 88
5.2 小波理论及离散小波变换 89
5.2.1 小波多分辨率分析的核心思想 89
5.2.2 二维离散小波变换对图像的分解与重建 92
5.3 基于SCM与DWT的多源图像融合算法 95
5.3.1 融合方案描述 95
5.3.2 融合算法步骤 95
5.4 融合实验结果与讨论分析 96
5.5 本章小结 101
第6章 PCNN的应用研究 103
6.1 图像除噪 103
6.2 图像分割 104
6.3 模式识别与特征提取 105
6.4 图像增强 106
6.5 数字签名 108
第7章 总结与展望 109
7.1 总结 109
7.2 展望 112
7.2.1 神经网络 112
7.2.2 脉冲耦合神经网络 114
7.2.3 图像融合 116
参考文献 121
附录 作者近期研究成果 131
前言
第1章 绪论 1
1.1 图像融合的背景、概念及研究意义 1
1.1.1 图像融合的背景 1
1.1.2 图像融合的概念 1
1.1.3 图像融合的意义与优势 2
1.2 像素级图像融合方法概述 2
1.3 国内外融合算法中需要解决的问题 6
1.4 本书的研究工作与内容安排 7
1.4.1 主要创新工作 7
1.4.2 内容安排 7
第2章 脉冲耦合神经网络 10
2.1 人工神经网络 10
2.1.1 人工神经网络简介 10
2.1.2 人工神经网络发展历程 11
2.1.3 深度学习——最具代表性的人工神经网络未来趋势之一 14
2.1.4 人工神经网络特点 15
2.2 神经元及视觉皮层概念 17
2.2.1 神经元 17
2.2.2 大脑皮层 20
2.3 常见的哺乳动物视觉皮层神经元模型 21
2.4 PCNN的标准模型与电路理论解释 28
2.4.1 PCNN的标准模型 28
2.4.2 PCNN的电路理论解释 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 研究界的关注 34
2.7 PCNN模型的改进研究 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在图像融合领域的应用 42
2.8.1 基于PCNN的图像融合技术的优势 42
2.8.2 基于PCNN的图像融合技术的研究进展 44
2.8.3 基于PCNN的图像融合技术的特点 48
2.9 本章小结 49
第3章 基于脉冲发放皮层模型的多聚焦图像融合 51
3.1 引言 51
3.2 SCM模型网络循环次数的设定 52
3.3 像素点清晰度评价准则的设定 53
3.4 基于SCM的多聚焦图像融合算法 55
3.5 融合结果讨论与性能评估 57
3.5.1 对三种像素点清晰度评价准则的性能评估 57
3.5.2 基于SCM的融合算法与其他融合算法的性能比较分析 62
3.6 本章小结 67
第4章 基于脉冲发放皮层模型与非下采样轮廓波变换的多传感器医学图像融合 68
4.1 引言 68
4.1.1 医学图像融合背景与意义 68
4.1.2 多分辨率分析的发展演变：从小波到非下采样轮廓波变换 70
4.2 非下采样轮廓波变换 73
4.2.1 NSCT的结构 73
4.2.2 非下采样金字塔分解 74
4.2.3 非下采样方向滤波器组 75
4.2.4 NSCT图像融合的步骤 76
4.3 算法设计 77
4.3.1 算法方案 77
4.3.2 算法步骤 79
4.4 实验及讨论 80
4.5 融合性能评估与结果分析 83
4.6 本章小结 86
第5章 基于脉冲发放皮层模型与离散小波变换的多源图像融合 88
5.1 引言 88
5.2 小波理论及离散小波变换 89
5.2.1 小波多分辨率分析的核心思想 89
5.2.2 二维离散小波变换对图像的分解与重建 92
5.3 基于SCM与DWT的多源图像融合算法 95
5.3.1 融合方案描述 95
5.3.2 融合算法步骤 95
5.4 融合实验结果与讨论分析 96
5.5 本章小结 101
第6章 PCNN的应用研究 103
6.1 图像除噪 103
6.2 图像分割 104
6.3 模式识别与特征提取 105
6.4 图像增强 106
6.5 数字签名 108
第7章 总结与展望 109
7.1 总结 109
7.2 展望 112
7.2.1 神经网络 112
7.2.2 脉冲耦合神经网络 114
7.2.3 图像融合 116
参考文献 121
附录 作者近期研究成果 131
猜您喜欢
