改进型脉冲耦合神经网络在图像处理中的动态行为分析

为了进一步拓展脉冲耦合神经网络(Pulse coupled neural network, PCNN)在图像处理领域的应用深度, 本文对改进型PCNN在图像处理中的动态行为结合网络参数进行了具体的理论分析和公式推导, 明确了PCNN的动态行为特性受网络参数变化的影响, 并给出了保证其所有神经元只点火一次的网络参数确定准则, 最后将改进型PCNN应用于实际图像分割中. 实验结果证明了其动态行为特性与参数确定准则之间关系的正确性和算法的有效性.     

克隆选择算法和ICM的图像自动分割方法研究

交叉皮层模型是一种简化的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN),该模型保留了PCNN的脉冲耦合、发放同步脉冲、变阈值、产生脉冲波等重要特性,但调节参数比PCNN少,被认为具有比PCNN更加良好的图像处理能力。针对ICM模型图像分割效果取决于各个参数的优化调节,提出了一种克隆选择算法和ICM模型的图像自动分割算法。该算法的克隆选择算子以自适应方式调节,以最大信息熵作为亲和度函数,速度快,全局搜索效率高,实现了图像的自动分割。仿真表明,该算法有效可行。     

一种PCNN的彩色图像脉冲噪声滤波方法

通过脉冲噪声特性总结以及对脉冲耦合神经网络（PCNN）工作机理的分析,建立了一个在RGB色彩空间上的一种基于脉冲耦合神经网络的彩色图像去噪算法及模型。首先利用PCNN的同步脉冲发放特性定位脉冲噪声点的位置;然后利用中值滤波对其进行去噪处理,并将结果与中值滤波等其他滤波方法进行了比较。实验结果表明该方法不但能够有效去除图像中的噪声,而且能够更好地保护图像细节,较传统彩色图像去噪方法有较明显的优越性。     

基于改进的PCNN多目标图像分割算法

脉冲耦合神经网络(Pulse-coupled neural network,PCNN)可有效地用于图像分割.为获得满意分割效果,PCNN需要选取适当的参数,目前其参数往往通过反复试凑确定.针对这一问题,基于改进的PCNN模型,提出结合图像灰度直方图,以最大交叉熵函数作自适应遗传算法的适应度函数,采用自适应遗传算法搜索最优门限阈值函数的图像分割算法.实验结果表明,该算法可以有效地实现多目标图像分割,且分割效果优于多阈值Ostu算法.     

PCNN与数学形态学在图像处理中的等价关系

揭示了有生物学依据的脉冲耦合神经网络(PCNN)与数学形态学之间的本质关系，并以颗粒分析为例进行了具体的分析，得到了文中提出的PCNN颗粒分析方法完全等价于一定结构元素下的数学形态学方法的结论．研究表明，PCNN进行图像处理时用到的脉冲并行传播特性完全等同于数学形态学中一定结构元素下的腐蚀运算，从而为数学形态学与PCNN之间的研究架起了桥梁．     

一种基于PCNN的电力设备故障区域提取方法

针对红外自动监控电力设备是否存在故障问题,结合脉冲耦合神经网络(PCNN)同步点火特性,提出一种基于PCNN的红外图像感兴趣区域提取方法。首先针对原始的动态阈值振荡问题,采用神经元点火信息构建新的动态阈值,并建立连接系数与点火区域信息之间的内在关系,从而使得神经元自适应地发生点火。为了进一步确保每一次迭代中所捕获的神经元与点火区域的相似性,在模型框架内融合了一种聚类规则,进而有效更新动态阈值,并给出了停止迭代的方法。实验表明,该提取区域方法性能优于传统阈值、normalized cuts以及经典PCNN模型等方法。     

视觉感知中特征捆绑建模方法的研究

针对视觉感知中特征的捆绑问题,在传统脉冲耦合神经网络(PCNN)的基础上,提出一种基于强度的PCNN模型。在该模型中,神经元邻域内脉冲发放总强度将不同的特征分离开来,而神经元自身的脉冲发放强度又将属于同一感知对象的不同特征捆绑起来。仿真结果证明,该模型可以实现特征的分离和捆绑。     

一种参数自适应的简化PCNN图像分割方法

为了进一步延伸脉冲耦合神经网络（Pulse coupled neural network,PCNN）在图像分割中的应用,本文对PCNN模型作了简化和改进,并探讨和分析了参数的设置方法.首先利用阈值和脉冲输出所对应的区域均值之间的关系,提出了一种优化连接系数的方法,使得模型最终以迭代的方式得到分割结果.在仿真和真实红外图像上实验结果表明,文中方法能取得较优的分割效果,且相比于常用的阈值方法以及较新的PCNN方法,文中的简化模型对噪声及复杂图像具有更好的适应性和鲁棒性.     

一种改进型脉冲耦合神经网络及其图像分割

文章结合人类视觉系统(HVS)对图像各个区域敏感度不同这一特性,对通常的脉冲耦合神经网络模型(PC-NN--PulseCoupledNeuralNetwork)进行了改进,分析了改进模型的特性及其参数优化原理,提出了一种基于这种改进PCNN的图像分割算法。该算法可根据像素周边区域的灰度梯度大小发放不同值的脉冲,从而自适应地将图像分为多个不同等级的高低信息区域,较好地仿真了人类视觉系统特性。并将该算法应用于图像压缩,在压缩比和重建图像主观视觉感知质量上均达到了较好的性能。     

单一链接PCNN自适应脉冲噪声滤波

为有效滤除灰度图像中的脉冲噪声并保留图像的细节信息,提出了单一链接脉冲耦合神经网络（Single-Linking Pulse-Coupled Neural Network,SL-PCNN）模型。SL-PCNN简化了传统的PCNN参数,可自适应选取滤波阈值,SL-PCNN对原图像和反转图像进行两次点火过程即可定位出噪声点而无需进行PCNN循环,然后用中值滤波器滤除噪声。实验结果表明,在噪声强度不大于60%时,SL-PCNN的性能优于经典的脉冲噪声滤波算法;在噪声强度较大时SL-PCNN的性能优于常见的PCNN脉冲噪声滤波算法,主观及客观评价证明该算法的有效性。     

基于灰度迭代阈值脉冲耦合神经网络的图像分割

为有效分割图像,提出了灰度迭代阈值脉冲耦合神经网络(GIT-PCNN)。GIT-PCNN简化了传统PCNN模型,将其指数衰减的阈值改进为图像的灰度迭代阈值。GIT-PCNN分割图像时无需进行参数和循环次数选择,也无需使用特定原则确定循环结束条件,一次点火过程完成分割。GIT-PCNN分割图像时充分利用了图像的灰度信息和PCNN特有的空间邻近及像素灰度值相似集群发放脉冲提供的图像局部位置信息。实验结果表明,GIT-PCNN在主观及客观的分割性能和速度上均优于经典的PCNN分割方法。     

An improved pulse coupled neural network for image processing

To develop new image processing applications for pulse coupled neural network (PCNN), this paper proposes an improved PCNN model by redesigning the linking input, activity strength, linking weight, pulse threshold and pixel update rule. Two typical image processing examples based on such a model, namely fingerprint orientation field estimation and noise removal, are presented for explaining how to use the PCNN and determine parameters in image processing. Experiments show that the improved model is quite useful, and the PCNN-based approaches achieve better image processing results than the traditional ones. This work was supported by National Science Foundation of China under Grant 60471055 and Specialized Research Fund for the Doctoral Program of Higher Education under Grant 20040614017.     

非降采样Contourlet域内空间频率激励的PCNN图像融合算法

Nonsubsampled contourlet transform (NSCT) 能够提供灵活的多分辨率分解, 具有各向异性和图像方向性扩展特点. 与原始的Contourlet相比, 它是频移不变的, 能有效克服Contourlet变换中的伪吉布斯现象. 脉冲耦合神经网络(Pulse Coupled Neural Networks-PCNN)是一种具有视觉生理学基础的神经网络, 具有全局耦合和神经元同步脉冲发放特性, 已经被成功应用于图像处理和图像融合中. 本文将NSCT与PCNN结合起来, 充分利用二者的特性. 以NSCT变换域内系数的空间频率激励PCNN神经元, 选择点火次数大的系数作为融合图像的系数, 经NSCT反变换得到融合图像. 实验表明, 本文算法无论在视觉效果还是客观评价指标上, 都优于基于小波变换、基于Contourlet变换、基于PCNN和基于Contourlet-PCNN等融合算法.     

基于PCNN的图像椒盐噪声滤除方法

传统的降噪方法在图像降噪之后会损坏图像的部分边缘细节信息,致使图像的轮廓变得模糊不清。为了达到更好的图像降噪效果,提出一种改变突触链接强度和改进阈值函数的脉冲耦合神经网络的图像降噪方法。该方法将基本脉冲耦合神经网络模型进行简化,使突触链接强度自适应取值,将阈值函数改进为分段的衰减函数,从而提高对图像不同灰度值的分辨力,并根据神经元与其周围神经元点火时间差定位噪声点,提高了算法对噪声点的辨识精确度,进而实现更好的降噪效果。实验结果表明,改进方法准确地辨识出了图像的椒盐噪声点,并且能够有效去除噪声点,同时很好地保护图像边缘细节。     

A coarse-to-fine strategy for iterative segmentation using simplified pulse-coupled neural network

Pulse-coupled neural network (PCNN) has significant characteristics for potential high-performance image processing including image segmentation. However, segmentation accuracy is dependent on the values of network parameters. To overcome the difficulties caused by parameter settings, this paper simplified the original PCNN in terms of input and dynamic neural threshold. In the model, the generalized adjustable neural threshold is defined, and the relationship between parameters and such available information as previous output and image static properties is established. A coarse-to-fine strategy is then employed for further keeping the characteristic of the synchronous pulse, enabling the model to control the behavior of neighboring neurons. This strategy also ensures that the parameters are adjusted properly and facilitates the automatic control of the result through iteration. Finally, experiments on some synthetic and real infrared images show that the proposed model can promote segmentation capability. Furthermore, the proposed model is superior to the traditional thresholding methods and some existing PCNN-based models in terms of segmentation performance and parameter settings.     

Pulse coupled neural networks and its applications

This paper surveys the extensive usage of pulse coupled neural networks. The visual cortex system of mammalians was the backbone for the development of pulse coupled neural network. PCNN (Pulse Coupled Neural Networks) is unique from other techniques due to its synchronous pulsed output, adjustable threshold and controllable parameters. is Hence the uniqueness of this network utilized in the fields of image processing. The basic model of PCNN and the consecutive changes implemented, to strengthen the pulse coupled neural network are discussed initially. Then the applications of PCNN are broadly discussed. The other miscellaneous applications utilizing pulse coupled neural networks are thrown light in the last section.     

Automatic image segmentation based on PCNN with adaptive threshold time constant

PCNN is a novel neural network model to simulate the synchronous phenomenon in the visual cortex system of the mammals. It has been widely used in the field of image processing and pattern recognition. However, there are still some limitations when it is applied to solve image processing problems, such as trial-and-error parameter settings and manually selection of the final results. This paper studies a simple model of PCNN(S-PCNN) and applies it to image segmentation. The main contributions of this paper are: (1) A new method based on the simplified model of PCNN is proposed to segment the images automatically. (2) The parameter settings are studied to ensure that the threshold decay of S-PCNN would be adaptively adjusted according to the overall characteristics of the image. (3) Based on the time series in S-PCNN, a simple selection criteria for the final results is presented to promote efficiency of the proposed method. (4) Simulations are carried out to illustrate the performance of the proposed method.     

非下采样Contourlet变换与脉冲耦合神经网络相结合的SAR与多光谱图像融合

由于获取地物波谱信息的波段范围及成像方式的不同,SAR与多光谱图像所得到的信息有很大差异,而且SAR图像会受到严重的相干斑噪声干扰,因此SAR与多光谱图像的融合很难获得满意的效果。考虑到非下采样Contourlet变换(NSCT)相比于其他多尺度几何分析方法的优势,提出了一种NSCT与脉冲耦合神经网络(PCNN)相结合的SAR与多光谱图像融合方法。源图像首先经过NSCT分解获得不同尺度多个方向下的分解系数,将分解系数的高斯拉普拉斯算子能量作为脉冲耦合神经网络模型的输入,具有较大点火频率的系数将被选择作为融合图像的系数,最后经过NSCT重构得到最终的融合图像。实验结果表明,这种算法无论在主观视觉还是在客观指标上都要优于之前的许多算法。     

基于脉冲耦合神经网络的图像分割

针对传统脉冲耦合神经网络(PCNN)模型在图像分割时需要设置较多参数和不能准确分割低对比度图像的问题,提出一种简化的PCNN模型和改进算法。在简化模型中减少了在传统PCNN模型中需要设置的参数的数量;在改进算法中根据图像像素空间和灰度特征自适应设置模型参数,并根据图像灰度直方图求出灰度期望均值作为图像分割阈值,因此该算法无需选择 循环迭代次数,只需一次点火过程就能实现图像的有效分割。实验结果表明,该方法能准确分割图像,纹理细节清晰,分割结果优于人工调整参数的PCNN方法和Otsu方法。