本書是一本詳細(xì)探索和展示脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)極佳圖像處理能力的專著。PCNN及其相關(guān)模型均源自生物神經(jīng)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(qiáng)大的處理工具。
《脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像處理(第2版)》適合從事智能信息處理、模式識(shí)別、數(shù)字信號(hào)處理與軟計(jì)算理論、計(jì)算機(jī)視覺(jué)、通信與圖像工程、生物醫(yī)學(xué)圖像處理等信息學(xué)科相關(guān)專業(yè)高年級(jí)本科生、研究生和相關(guān)工程技術(shù)人員閱讀。
意識(shí)問(wèn)題是對(duì)當(dāng)代科學(xué)的巨大挑戰(zhàn),長(zhǎng)期以來(lái)一直是科學(xué)家十分關(guān)注的研究對(duì)象。由于意識(shí)問(wèn)題的極端復(fù)雜性,經(jīng)過(guò)長(zhǎng)達(dá)幾個(gè)世紀(jì)的探索,至今還沒(méi)有取得突破性進(jìn)展。隨著人們對(duì)生物學(xué)與計(jì)算機(jī)科學(xué)等學(xué)科研究的逐步深入,相信人們對(duì)意識(shí)問(wèn)題的本質(zhì)會(huì)有更深刻的認(rèn)識(shí)。
由于發(fā)現(xiàn)脫氧核糖核酸(DNA)的雙螺旋結(jié)構(gòu),F(xiàn)rancis Crick與Mauricewilkins共同獲得1962年諾貝爾生理及醫(yī)學(xué)獎(jiǎng)。Francis Crick認(rèn)為“人的精神活動(dòng)完全由神經(jīng)細(xì)胞、膠質(zhì)細(xì)胞的行為和構(gòu)成及影響它們的原子、離子和分子的性質(zhì)所決定”。他堅(jiān)信,意識(shí)這個(gè)心理學(xué)的難題可以用神經(jīng)科學(xué)的方法來(lái)解決。他用科學(xué)方法來(lái)解釋意識(shí)奧秘的著作《驚人的假說(shuō)——靈魂的科學(xué)探索》一書的最后章節(jié),特別提到脈沖耦合神經(jīng)網(wǎng)絡(luò)和研究脈沖耦合神經(jīng)網(wǎng)絡(luò)的開(kāi)山鼻祖Charles M.Gray和Reinhard Eckhor。n等科學(xué)家。
1987年,Charles M.Gray等發(fā)現(xiàn)貓的初生視覺(jué)皮層有神經(jīng)激發(fā)相關(guān)振蕩現(xiàn)象,并于1989年將其研究成果發(fā)表在Nature雜志上。與此同時(shí),ReinhardEckhorn根據(jù)貓的大腦視覺(jué)皮層同步脈沖發(fā)放現(xiàn)象,提出了展示脈沖發(fā)放現(xiàn)象的連接模型,繼而對(duì)其模型進(jìn)行修改開(kāi)拓性得到了脈沖耦合神經(jīng)網(wǎng)絡(luò)的基本模型。在脈沖耦合神經(jīng)網(wǎng)絡(luò)的具體應(yīng)用中,目前在瑞典首都斯德哥爾摩AlbaNova大學(xué)中心的瑞典皇家理工學(xué)院粒子與天體粒子研究所從事科研的Thomas Lind-blad和在美國(guó)喬治?梅森大學(xué)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(jīng)網(wǎng)絡(luò)應(yīng)用研究中的權(quán)威著作。
譯者作為國(guó)內(nèi)最早研究脈沖耦合神經(jīng)網(wǎng)絡(luò)的一員,有幸經(jīng)原作者同意翻譯此書,從而國(guó)內(nèi)讀者可以更通俗、更準(zhǔn)確的方式了解該書有關(guān)脈沖耦合神經(jīng)網(wǎng)絡(luò)應(yīng)用研究中的有關(guān)知識(shí)。
國(guó)內(nèi)研究脈沖耦合神經(jīng)網(wǎng)絡(luò)是從20世紀(jì)90年代末開(kāi)始的。脈沖耦合神經(jīng)網(wǎng)絡(luò)模型是在哺乳動(dòng)物視覺(jué)皮層神經(jīng)元研究的基礎(chǔ)上提出的新型神經(jīng)網(wǎng)絡(luò)模型,國(guó)內(nèi)研究者很少研究其神經(jīng)元內(nèi)在機(jī)理,主要將其作為強(qiáng)大的數(shù)學(xué)工具應(yīng)用于圖像處理各個(gè)領(lǐng)域,很少對(duì)數(shù)學(xué)模型或參數(shù)設(shè)置進(jìn)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(shù)
1.2.1 通用性與差異性
1.2.2 內(nèi)積
1.2.3 哺乳動(dòng)物的視覺(jué)系統(tǒng)
1.2.4 未來(lái)工作如何開(kāi)展
1.3 視覺(jué)皮層理論
1.3.1 視覺(jué)皮層簡(jiǎn)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(jié)
第2章 數(shù)字模型原理
2.1 脈沖耦合神經(jīng)網(wǎng)絡(luò)
2.1.1 脈沖耦合神經(jīng)網(wǎng)絡(luò)原始模型
2.1.2 時(shí)間序列
2.1.3 神經(jīng)元連接
2.1.4 快速連接
2.1.5 快速平滑
2.1.6 模擬時(shí)序仿真
2.2 交叉皮層模型——一個(gè)通用的數(shù)字模型
2.2.1 最小計(jì)算復(fù)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(dòng)波
2.3 小結(jié)
第3章 圖像目標(biāo)自動(dòng)識(shí)別
3.1 重要的圖像特征
3.2 血液紅細(xì)胞圖像分割
3.3 乳腺X射線圖像分割
3.4 航空器圖像識(shí)別
3.5 北極光圖像分類
3.6 小數(shù)冪指數(shù)濾波器
3.7 目標(biāo)識(shí)別與二值相關(guān)
3.8 圖像分解
3.9 反饋式脈沖圖像發(fā)生器
3.10 目標(biāo)分離
3.11 動(dòng)態(tài)目標(biāo)分離
3.12 陰影目標(biāo)
3.13 考慮含噪圖像
3.14 小結(jié)
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(shè)計(jì)
4.3 一個(gè)彩色圖像的例子
4.4 小波濾波圖像融合實(shí)例
4.5 多光譜目標(biāo)檢測(cè)
4.6 小結(jié)
第5章 圖像紋理處理
5.1 脈沖譜
5.2 譜的統(tǒng)計(jì)分離
5.3 利用統(tǒng)計(jì)方法的識(shí)別
5.4 通過(guò)聯(lián)想記憶的脈沖譜識(shí)別
5.5 小結(jié)
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(biāo)簽名
6.3 真實(shí)圖像的簽名
6.4 圖像簽名數(shù)據(jù)庫(kù)
6.5 計(jì)算最佳視角
6.6 運(yùn)動(dòng)估計(jì)
6.7 小結(jié)
第7章 PCNN的各種應(yīng)用
7.1 凹點(diǎn)檢測(cè)
7.1.1 凹點(diǎn)檢測(cè)算法
7.1.2 基于PCNN凹點(diǎn)模型的目標(biāo)識(shí)別
7.2 直方圖再造
7.3 迷宮問(wèn)題
7.4 PCNN在條形碼中的應(yīng)用
7.4.1 數(shù)據(jù)序列和圖像的條形碼生成
7.4.2 PCNN計(jì)數(shù)器
7.4.3 化學(xué)藥品索引
7.4.4 星系識(shí)別和分類
7.4.5 導(dǎo)航系統(tǒng)
7.4.6 手勢(shì)識(shí)別
7.4.7 路面檢測(cè)
7.5 小結(jié)
第8章 PCNN的硬件實(shí)現(xiàn)
8.1 硬件實(shí)現(xiàn)原理
8.2 用CNAPs處理器實(shí)現(xiàn)
8.3 用VLSI實(shí)現(xiàn)
8.4 用FPGA實(shí)現(xiàn)
8.5 光學(xué)應(yīng)用
8.6 小結(jié)
參考文獻(xiàn)
索引