圖像處理與脈衝耦合神經網絡：基於Python的實現(第三版)（簡體書）

本書對多種生物模型的起源及特點進行了分析，並詳述了PCNN與ICM兩種模型的構成及工作機理。然後以PCNN與ICM模型為基礎，全面說明了這兩種模型在圖像分析、目標分離、紋理識別、彩色圖像處理、圖像時間信號提取與應用及邏輯分析等方面的應用。同時還對書中多種演算法給出了具體的Python實現代碼。本書內容豐富、案例典型、學術性強、應用價強、可讀性好。非常適合從事智慧資訊處理、圖像處理與識別等資訊學科相關專業人員閱讀與使用。

徐光柱，男，1979年1月生，副教授。2007畢業於蘭州大學，獲得無線電物理專業博士學位。2007年加入三峽大學從事教學科研工作。2010年12月-2011年6月在美國南卡羅來納州克萊姆森大學做訪問學者。目前在三峽大學計算機與信息學院從事教學科研工作。主要從事計算機視覺與圖像圖形處理等方面的研究。

馬義德，男，1963年2月生，甘肅臨夏人，教授。2001年獲得蘭州大學博士學位，現任蘭州大學信息科學與工程學院電路與系統研究所所長，蘭州大學Ti-DSP聯合實驗室主任。目前在蘭州大學信息科學與工程學院從事教學科研工作，主要從事數字圖像處理、嵌入式系統等方面的研究。

雷幫軍，男，1973年6月生，湖北宜昌人，教授。2003年獲荷蘭德爾夫特理工大學博士學位，湖北省“百人計劃”特聘教授，楚天學者特聘教授。現任三峽大學智能視覺與圖像信息研究所所長，湖北省水電工程智能視覺監測重點實驗室主任。主要從事數字圖像處理、計算機視覺等方面的研究。

Thomas Lindblad（托馬斯·林德布拉德）於1974年獲得瑞典斯德哥爾摩大學博士學位，瑞典皇家理工學院教授。早期從事核結構與離子物理學方面的研究，專注於檢測系統；後期專注於教學，在瑞典皇家理工學院物理係從事環境物理學的教學多年，指導本科生從事科學研究。在此期間他的研究領域聚焦在傳感器技術與持續數據流中的特徵提取。

Jason M.Kinser（詹森·金賽）分別於1994年與1987年獲得光學與光電系統博士學位及物理學碩士學位。1994年他作為副研究員加入AlabamaA&M大學，同時也是應用光學科學中心的創始人員之一。1997年他來到喬治梅森大學任職，現在是該校物理與計算科學學院的副教授。他的研究領域包括光學與圖像信息處理（脈衝圖像處理）及多學科領域中的數據處理。

相對於第二版而言，第三版增加了兩個主要的部分。首先是增加了一些新的應用。近年來與PCNN及交叉皮層模型（ICM）相關的論文不斷湧現，其中一些被選入了本書。
第二個主要變化是增加了Python腳本代碼。近十年來，作為一個功能強大的工具，Python已經被用於很多科學研究領域。配合Numeric包，Python能以寥寥幾行代碼輕鬆地實現線性代數運算。這種高效性使得在書中理論及應用部分加入Python腳本代碼成為可能。
我們盡一切可能力求書中相關應用的Python代碼完整可靠。腳本代碼是基於Python2.7的，這是Linux發行版本中的標準配置。使用Python3.0的讀者會發現一些語法差異，需要對Python2.7版本下的代碼進行相應調整。
對Python編程較為熟悉的讀者可能會注意到書中代碼可以被壓縮至更少行。但本書附帶代碼的用意是傳遞學術信息，所以腳本代碼相對於精簡性而言更偏重於可讀性。
本書作者編寫的所有Python腳本代碼可以從網站http：//www.binf.gmu.edu/kinser下載。Python系統、Numeric Python包（NumPy）、Scientific Python包（SciPy）、Python圖像包（Python Image Library，PIL）可以從其各自的網站獲得，這將在本書第3章給出說明。書中所有腳本代碼受版權保護，只能用於學術研究，未經允許，不得用於商業目的。

第1章生物模型
1．1引言
1．2生物學基礎
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小結

第2章Python程序設計
2．1編程環境
2．1．1命令行界面
2．1．2 IDLE
2．1．3創建一個工作環境
2．2數據類型和簡單的數學運算
2．3元組、列表和字典
2．3．1元組
2．3．2列表
2．3．3字典
2．4切片
2．5字符串
2．5．1字符串函數
2．5．2類型轉換
2．6控制流
2 ．7輸入和輸出
2．7．1文本文件讀寫
2．7．2 Pickle模塊
2．8函數
2．9模塊
2．10面向對象的程序設計
2．10．1類的內容
2．10．2運算符定義
2．10．3繼承
2．11檢錯
2．12小結

第3章Numpy、SciPy和Python Image Library
3．1 NumPy
3．1．1創建數組
3．1．2數組轉換
3．1．3矩陣：向量乘法
3．1．4數組的優勢
3．1．5數據類型
3．1．6排序
3．1．7字符串和列表的轉換
3．1．8矩陣的改變
3．1．9高級切片
3．2 SciPy
3．3 NumPy中的設計
3．4 Python圖像庫PIL（Python Image Library）
3．4．1圖像的讀出
3．4．2圖像的寫入
3．4．3圖像轉換
3．5小結

第4章PCNN與ICM
4．1 PCNN
4．1． 1原始模型
4．1．2 Python實現
4．1．3脈衝發放行為
4．1．4神經元動態行為的累積
4．1．5時間信號
4．1．6神經元連接
4．1．7快速連接
4．1．8連續時間模型
4．2 ICM
4．2．1最小連接需要
4．2．2 ICM原理
4．2．3 ICM中的連接
4．2．4 ICM的Pvthon實現
4．3小結

第5章圖像分析
5．1相關圖像信息
5．2圖像分割
5．2．1血細胞
5．2．2乳房X線影像
5．3自適應分割
5．4焦點和分級聚焦點
5 ．4．1分級聚焦檢測（凹點檢測）算法
5．4．2基於PCNN多級聚焦模型的目標識別
5．5圖像分解
5．6小結

第6章反饋和分離
6．1反饋式PCNN
6． 2目標分離
6．2．1輸入圖像的規格化
6．2．2濾波器的創建
6．2．3脈衝圖像的邊緣增強
6．2．4相關及改進
6．2．5峰值檢測
6．2 ．6對輸入圖像和PCNN所做的調整
6．2．7驅動程序
6．3動態目標分離
6．4陰影目標
6．5噪聲圖像下的情況
6．6小結

第7章分類識別
7．1航空器
7．2北極光
7．3目標識別：二值圖像的相關性
7．4星系
7．5手勢識別
7．6路面檢測
7．7數字符號
7．7．1數據集合
7．7．2分離出各類的訓練圖像
7．8產生脈衝圖像
7．8．1圖像時間信號的分析
7．9人臉定位及識別
7．10小結

第8章紋理識別
8．1脈衝譜
8．2紋理脈衝譜的統計可分性
8 ．3基於統計方法的脈衝譜識別
8．4基於聯想記憶的脈衝譜識別
8．5生物學上的運用
8．6紋理研究
8．7小結

第9章顏色和多通道
9．1模型
9．1 ．1彩色圖像的例子
9．1．2基於Python的實現
9．2多光譜實例
9．3彩色模型的應用
9．4小結

第10章圖像的時間信號
10．1圖像的時間信號理論
10．1 ．1 PCNN和圖像時間信號
10．1．2彩色與形狀
10．2目標的時間信號
10．3真實圖像的時間信號
10．4圖像時間信號數據庫
10．5計算最佳視角
10．6運動估計
10 ．7小結

第11章邏輯
11．1迷宮穿行和TSP（旅行商）問題
11．2條形碼和導航
11．3小結
附錄A圖像轉換器
附錄B幾何模塊
附錄C分數冪指數濾波器
附錄D相關運算
附錄E FAAM
附錄F主成分分析
參考文獻