基于脉冲发放皮层模型的图像融合技术

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