一种模拟自然纹理图象的神经网络模型

讨论了随机神经网络模型－吉布斯随机场模型的势能函数和分布规律，用该模型对自然纹理图象进行模拟，建立了神经网络模型，并在微机上进行了实验，结果表明，当设量不同参数时，可以得到不同的纹理图象。     

用模糊聚类神经网络设计图象矢量量化码书

讨论了一种模糊聚类神经网络模型，给出了将该模型用于图象矢量量化码书设计的学习算法。实验结果表明，模糊聚类神经网络可以为图象矢量量化压缩编码提供一种新的码书设计方法。     

神经网络在图象复原中的应用

介绍了传统图象复原方法的一些缺陷和神经网络的优良特性，讨论了神经网络在图象复原中的应用，并对基于Hopfield神经网络和多层感知器的两类图象复原方法进行了较深入的探索。     

三维转动神经网络的研究：（1）能量函数

简述了三维转动神经网络模型，通过对能量函数的研究，证明了网络当神经元个数远大于存贮图象数时，存贮图象为能量空间中的极小值．引入了绝热近似，有效局域场能正确迭代的几率，等于方向角和旋转角分别能正确选代的几率的乘积．     

神经网络在图象压缩编码中的应用

讨论神经网络在图象压缩编码领域中的应用.针对图象矢量量化存在的分块效应问题,对Kohonen自适应模型进行了研究.应用了两个DCT的余弦变换域的特征值,结合Kohonen的自组织特征映射(SOFM)算法对图象元素分类压缩编码.计算机模拟实验表明,和单纯用神经网络直接进行矢量量化相比,应用这种技术的图象编码压缩比和译码图象质量都有明显的提高.     

用神经网络算法进行纹理分割

本文使用神经网络多层感知机模型，利用误差逆传播学习算法，结合纹理分析的基本手段，通过对计算机模拟神经网络进行训练，使它掌握了多种纹理的纹理特征，有效地实现了对包含多种自然景物纹理及多种人工图案纹理的图象的分割。     

基于自反馈神经网络的运动模糊图象恢复方法的研究

本文提出一种用自反馈神经网络来恢复被噪声污染的非零边界条件模糊灰度图象的方法。文中详细讨论了用于描述图象的神经元网络模型,给出了模型参数估计和根据该模型实现的图象恢复算法。在神经元网络模型中,图象的灰度函数被表示成神经元状态的简单代数和。实验结果表明由于神经元网络模型的容错性和自适应性,运用该方法对加有椒盐噪声的匀速直线运动模糊列车图象进行恢复,可以得到高质量的图象恢复结果。     

一种应用于模式识别的神经网络模型

本文首先引入了感知神经元，建立了一种应用于模式识别的三层神经网络模型．对于任一组二元标准模式（二元图象或特征值序集），我们根据给定模式及要求设计神经网络，使之对输入模式进行识别．这种神经网络结构明确，易于实现，其实施有助于提高模式识别系统的执行速度与识别能力．     

2^n元数神经网络模型：多值图象的识别应用

对２￣ｎ元数神经网络模型的计算机数值模拟结果表明，其存贮容量和纠惜能力随ｎ的增大而降低，讨论了四态复数模型或十六态四元数模型的四态或十六态多值图象的识别应用实例，并对其光学实现进行了初步的探讨．     

异步复相角神经网络模型的能量函数研究

证明了具有零对角的厄米联结矩阵的异步离散复相角神经网络模型在其动力学演化过程中，网络的能量函数单调递减，网络最终将稳定在一个不动点吸引子上；当网络的神经元个数远大于存贮图象数时，随机存贮图象在能量函数空间中对应一能量极小点，因此存贮图象为网络的不动点吸引子。     

协同神经网络的不变性研究

协同神经网络作为一种全新的神经网络,它的自上而下的构造方式,与自然界中自组织现象存在深刻的相似性．文中在介绍了模式识别协同神经网络的基础上,研究了协同神经网络用于模式识别的空间不变性．通过二维傅氏变换、复对数映射等方法,对图象进行预处理,提取图象的空间不变性,并在变换后的空间上利用协同神经网络进行识别．试验表明,协同神经网络不但能够识别空间变化的图象,并且对缺损、加噪图象也能很好识别,并且识别速度快,鲁棒性强,不会出现传统神经网络经常出现的伪状态．     

图象数据模型研究

数据模型研究是设计按内容检索的图象数据库系统的基础．本文根据图象信息系统的特点，将面向对象模型与超语义模型有机结合，提出了一种新的图象数据模型及相应的说明语言．该模型以紧耦合方式融合了语义数据模型和知识模型的特点，并增加了表示图象对象间空间关系的机制，使得该模型可以更好地描述图象信息系统中的图象数据、领域知识以及空间关系语义．     

非监督图象分割的神经网络方法的研究

本文提出了一种新的神经网络模型UMAN,以实现非监督的图象分割。该神经网络采用广义信息熵作为描述系统稳定和收敛的定量判据,克服了广义能量函数的缺陷;改进的Kohonen非线性映射结构,既突出了分类信息又减少了信息冗余;网络内部层和结点数由系统内部动态地确定,不需人工干预和先验知识;非监督自学习功能反映了低层次视觉信息处理的特点,可处理一般的图象,具有较强的适应性.实验结果表明该模型及算法是有效和实用的,具有一定的鲁棒性.     

基于神经网络的人脸主特征提取

提出了用神经网络提取人脸图象主特征的方法，并对主特征在分类识别中的作用作了详细的分析，理论和实验证明，主特征不仅具有较强的分类能力而且具有很强的独立描述图象的能力。     

一种基于纹理的图象相似性度量模型

关于图象间的相似性应用于图象数据库中图象的检索存取，作者提出了一种用于多纹理图象的图象相似性度量的模型；描述了该模型的定义和计算方法，给出了试验结果和分析了它的有效性．     

基于神经网络分类的自适应图象编码

介绍一种对图象特征系数进行分类的自适应图象压缩编码算法。利用子图象ＤＣＴ系数间的相关性，使用神经网络的方法对ＤＣＴ系数矩阵进行分类对具有相近频率分布的变换系数矩阵进行聚类，使得各频率分量的方差减小，并提出了自适应的比特分配算法。实验表明在相同的压缩比情况下，该图象编码算法较其他方法有明显的提高。     

建立于边缘信息的运动图象信源模型

本文在图象边缘信息的基础上，建立了一种新的运动图象信源模型，与经典方法相比，该信源模型不同于离散随机场，建立该信源模型的方法比较简单可靠，也不需要任何图象的先验知识，它参成功地用于运动图象编码，编码方法也突破了传统的波形编码范畴，从广义上说，它属于模型基编码方法。     

一种结合进化策略与神经网络的图象恢复方法

图象恢复在已知退化矩阵的前提下,可近似看成求解最优化问题.本文提出了一种进化　策略与神经网络结合的求解最优算法,并应用于图象恢复.结果表明,综合算法优于仅采用神经网络的算法.     

使用K—L变换进行图象压缩的一种新方法

在图象变换编码领域，Ｋ－Ｌ；变换是最小均方误差意义上的最佳变换，但是变换矩阵随图象内容而不同，且计算复杂，速度慢。本文造反他合理的计算自协方差矩阵的特征矢量的方法，以削减计算时间。同时提出了将模式识别引入Ｋ－Ｌ变换的一种新的图象压缩的方法，用精选的模式集训练ＢＰ神经网络，使之在计算中将各个图象正确归类，以选择合适的变换矩阵。     

基于四叉树的图象数据压缩

本文提出了一种改进的图象四叉树表示法，讨论了此表示法用于图象数据压缩的原理，给出了图象数据的压缩模型和算法．并用五幅不同学型的图象进行了试验。结果表明，对于二值图象，其压缩比可达１８％以上，对于灰阶图象约为７％。