本書是一本詳細探索和展示脈沖耦合神經網絡(PCNN)極佳圖像處理能力的專著。PCNN及其相關模型均源自生物神經元啟發(fā)模型研究,是圖像紋理分析、邊緣提取、區(qū)域分割等非常強大的處理工具。
《脈沖耦合神經網絡圖像處理(第2版)》適合從事智能信息處理、模式識別、數字信號處理與軟計算理論、計算機視覺、通信與圖像工程、生物醫(yī)學圖像處理等信息學科相關專業(yè)高年級本科生、研究生和相關工程技術人員閱讀。
意識問題是對當代科學的巨大挑戰(zhàn),長期以來一直是科學家十分關注的研究對象。由于意識問題的極端復雜性,經過長達幾個世紀的探索,至今還沒有取得突破性進展。隨著人們對生物學與計算機科學等學科研究的逐步深入,相信人們對意識問題的本質會有更深刻的認識。
由于發(fā)現脫氧核糖核酸(DNA)的雙螺旋結構,Francis Crick與Mauricewilkins共同獲得1962年諾貝爾生理及醫(yī)學獎。Francis Crick認為“人的精神活動完全由神經細胞、膠質細胞的行為和構成及影響它們的原子、離子和分子的性質所決定”。他堅信,意識這個心理學的難題可以用神經科學的方法來解決。他用科學方法來解釋意識奧秘的著作《驚人的假說——靈魂的科學探索》一書的最后章節(jié),特別提到脈沖耦合神經網絡和研究脈沖耦合神經網絡的開山鼻祖Charles M.Gray和Reinhard Eckhor。n等科學家。
1987年,Charles M.Gray等發(fā)現貓的初生視覺皮層有神經激發(fā)相關振蕩現象,并于1989年將其研究成果發(fā)表在Nature雜志上。與此同時,ReinhardEckhorn根據貓的大腦視覺皮層同步脈沖發(fā)放現象,提出了展示脈沖發(fā)放現象的連接模型,繼而對其模型進行修改開拓性得到了脈沖耦合神經網絡的基本模型。在脈沖耦合神經網絡的具體應用中,目前在瑞典首都斯德哥爾摩AlbaNova大學中心的瑞典皇家理工學院粒子與天體粒子研究所從事科研的Thomas Lind-blad和在美國喬治?梅森大學任職的Jason Kinser研究尤為出色。兩位合著的《Image Processing using Pulse-Coupled Neural NetWO!’ks》是目前脈沖耦合神經網絡應用研究中的權威著作。
譯者作為國內最早研究脈沖耦合神經網絡的一員,有幸經原作者同意翻譯此書,從而國內讀者可以更通俗、更準確的方式了解該書有關脈沖耦合神經網絡應用研究中的有關知識。
國內研究脈沖耦合神經網絡是從20世紀90年代末開始的。脈沖耦合神經網絡模型是在哺乳動物視覺皮層神經元研究的基礎上提出的新型神經網絡模型,國內研究者很少研究其神經元內在機理,主要將其作為強大的數學工具應用于圖像處理各個領域,很少對數學模型或參數設置進行研究。
第1章 理論介紹
1.1 概述
1.2 傳統(tǒng)圖像處理技術
1.2.1 通用性與差異性
1.2.2 內積
1.2.3 哺乳動物的視覺系統(tǒng)
1.2.4 未來工作如何開展
1.3 視覺皮層理論
1.3.1 視覺皮層簡介
1.3.2 Hodgkin-Huxley模型
1.3.3 Fitzhugh-Nagumo模型
1.3.4 Eckhom模型
1.3.5 Rybak模型
1.3.6 Parodi模型
1.4 小結
第2章 數字模型原理
2.1 脈沖耦合神經網絡
2.1.1 脈沖耦合神經網絡原始模型
2.1.2 時間序列
2.1.3 神經元連接
2.1.4 快速連接
2.1.5 快速平滑
2.1.6 模擬時序仿真
2.2 交叉皮層模型——一個通用的數字模型
2.2.1 最小計算復雜度的必要條件
2.2.2 交叉皮層模型
2.2.3 干涉
2.2.4 曲率流模型
2.2.5 向心自動波
2.3 小結
第3章 圖像目標自動識別
3.1 重要的圖像特征
3.2 血液紅細胞圖像分割
3.3 乳腺X射線圖像分割
3.4 航空器圖像識別
3.5 北極光圖像分類
3.6 小數冪指數濾波器
3.7 目標識別與二值相關
3.8 圖像分解
3.9 反饋式脈沖圖像發(fā)生器
3.10 目標分離
3.11 動態(tài)目標分離
3.12 陰影目標
3.13 考慮含噪圖像
3.14 小結
第4章 圖像融合
4.1 多光譜模型
4.2 脈沖耦合圖像融合設計
4.3 一個彩色圖像的例子
4.4 小波濾波圖像融合實例
4.5 多光譜目標檢測
4.6 小結
第5章 圖像紋理處理
5.1 脈沖譜
5.2 譜的統(tǒng)計分離
5.3 利用統(tǒng)計方法的識別
5.4 通過聯想記憶的脈沖譜識別
5.5 小結
第6章 圖像簽名
6.1 圖像簽名理論
6.1.1 PCNN和圖像簽名
6.1.2 顏色與形狀
6.2 目標簽名
6.3 真實圖像的簽名
6.4 圖像簽名數據庫
6.5 計算最佳視角
6.6 運動估計
6.7 小結
第7章 PCNN的各種應用
7.1 凹點檢測
7.1.1 凹點檢測算法
7.1.2 基于PCNN凹點模型的目標識別
7.2 直方圖再造
7.3 迷宮問題
7.4 PCNN在條形碼中的應用
7.4.1 數據序列和圖像的條形碼生成
7.4.2 PCNN計數器
7.4.3 化學藥品索引
7.4.4 星系識別和分類
7.4.5 導航系統(tǒng)
7.4.6 手勢識別
7.4.7 路面檢測
7.5 小結
第8章 PCNN的硬件實現
8.1 硬件實現原理
8.2 用CNAPs處理器實現
8.3 用VLSI實現
8.4 用FPGA實現
8.5 光學應用
8.6 小結
參考文獻
索引