图像处理与脉冲耦合神经网络——基于Python的实现（第三版）

第1章 生物模型
1．1 引言
1．2 生物学基础
1．3 Hodgkin-Huxley模型
1．4 Fitzhugh-Nagumo模型
1．5 Eckhom模型
1．6 aybak模型
1．7 Parodi模型
1．8 小结

第2章 Python程序设计
2．1 编程环境
2．1．1 命令行界面
2．1．2 IDLE
2．1．3 创建一个工作环境
2．2 数据类型和简单的数学运算
2．3 元组、列表和字典
2．3．1 元组
2．3．2 列表
2．3．3 字典
2．4 切片
2．5 字符串
2．5．1 字符串函数
2．5．2 类型转换
2．6 控制流
2．7 输入和输出
2．7．1 文本文件读写
2．7．2 Pickle模块
2．8 函数
2．9 模块
2．10 面向对象的程序设计
2．10．1 类的内容
2．10．2 运算符定义
2．10．3 继承
2．11 检错
2．12 小结

第3章 Numpy、SciPy和PythoImage Library
3．1 NumPy
3．1．1 创建数组
3．1．2 数组转换
3．1．3 矩阵：向量乘法
3．1．4 数组的优势
3．1．5 数据类型
3．1．6 排序
3．1．7 字符串和列表的转换
3．1．8 矩阵的改变
3．1．9 高级切片
3．2 SciPy
3．3 NumPy中的设计
3．4 Python图像库PIL（PythoImage Library）
3．4．1 图像的读出
3．4．2 图像的写入
3．4．3 图像转换
3．5 小结

第4章 PN与ICM
4．1 PN
4．1．1 原始模型
4．1．2 Python实现
4．1．3 脉冲发放行为
4．1．4 神经元动态行为的累积
4．1．5 时间信号
4．1．6 神经元连接
4．1．7 快速连接
4．1．8 连续时间模型
4．2 ICM
4．2．1 小连接需要
4．2．2 ICM原理
4．2．3 ICM中的连接
4．2．4 ICM的Pvthon实现
4．3 小结

第5章 图像分析
5．1 相关图像信息
5．2 图像分割
5．2．1 血细胞
5．2．2 乳房X线影像
5．3 自适应分割
5．4 焦点和分级聚焦点
5．4．1 分级聚焦检测（凹点检测）算法
5．4．2 基于PN多级聚焦模型的目标识别
5．5 图像分解
5．6 小结

第6章 反馈和分离
6．1 反馈式PN
6．2 目标分离
6．2．1 输入图像的规格化
6．2．2 滤波器的创建
6．2．3 脉冲图像的边缘增强
6．2．4 相关及改进
6．2．5 峰值检测
6．2．6 对输入图像和PN所做的调整
6．2．7 驱动程序
6．3 动态目标分离
6．4 阴影目标
6．5 噪声图像下的情况
6．6 小结

第7章 分类识别
7．1 航空器
7．2 北极光
7．3 目标识别：二值图像的相关性
7．4 星系
7．5 手势识别
7．6 路面检测
7．7 数字符号
7．7．1 数据集合
7．7．2 分离出各类的训练图像
7．8 产生脉冲图像
7．8．1 图像时间信号的分析
7．9 人脸定位及识别
7．10 小结

第8章 纹理识别
8．1 脉冲谱
8．2 纹理脉冲谱的统计可分性
8．3 基于统计方法的脉冲谱识别
8．4 基于联想记忆的脉冲谱识别
8．5 生物学上的运用
8．6 纹理研究
8．7 小结

第9章 颜色和多通道
9．1 模型
9．1．1 彩色图像的例子
9．1．2 基于Python的实现
9．2 多光谱实例
9．3 彩色模型的应用
9．4 小结

0章 图像的时间信号
10．1 图像的时间信号理论
10．1．1 PN和图像时间信号
10．1．2 彩色与形状
10．2 目标的时间信号
10．3 真实图像的时间信号
10．4 图像时间信号数据库
10．5 计算佳视角
10．6 运动估计
10．7 小结

1章 逻辑
11．1 迷宫穿行和TSP（旅行商）问题
11．2 条形码和导航
11．3 小结
附录A 图像转换器
附录B 几何模块
附录C 分数幂指数滤波器
附录D 相关运算
附录E FAAM
附录F 主成分分析
参考文献