一种基于简化PCNN的自适应图像分割方法

近年来的研究表明,脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效地用于图像分割.然而对于不同图像,常需要选取适当的网络参数,以得到有效的分割结果.但是,目前网络参数的选取还主要停留在人工调整和确定阶段,尚无一种能够根据图像本身特性自动确定参数的方法,这在很大程度上限制了PCNN的应用.针对这一问题,本文提出了一种基于简化PCNN的自适应图像分割方法,通过利用图像本身空间和灰度特性自动确定网络参数,实现对不同图像的分割.实验结果表明,本文算法可以有效地对不同图像进行自动分割,具有一定的健壮性.     

联合蚁群算法和PCNN的脑部MRI图像分割方法

采用蚁群算法(ACO)联合脉冲耦合神经网络(PCNN)的脑部磁共振成像(MRI)图像分割方法。其中利用ACO解决了PCNN参数设置困难的问题,同时能够克服图像的低对比度和噪声对图像分割的影响,实现图像的精确分割。首先利用ACO的全局搜索能力,以图像信息熵与灰度期望值的和作为ACO的目标函数,对PCNN的3个关键参数β、αE和VE进行设定;然后基于PCNN简化模型,结合最大熵值准则对脑部MRI图像进行分割;最后对分割结果进行面积滤波,得到最终的分割结果。实验结果表明,本文方法能够实现脑部MRI图像的自动分割,具有较高的精度和较强的鲁棒性。对于没有噪声的图像,本文方法分割结果的平均正确提取率达到97.0%以上,平均错误提取率达到0.4%以下,平均杰卡德相似系数达到94.8%以上;对于添加了不同级别噪声的图像,本文方法的分割效果也优于FCM和自适应PCNN。     

一种新的PCNN模型参数估算方法

PCNN在图像处理领域得到广泛的应用,对其展开研究具有重要的理论意义及应用价值.在对PCNN的研究应用中,其模型参数的合理确定是一个难点.本文提出用灰度-信息量直方图来表征图像特征,通过对信息量直方图的分析,提出了估算PCNN时间衰减参数的自适应算法.该算法可以仅在PCNN的一个运行周期中以最少的迭代次数有效地完成图像分割,并且解决了对多目标进行分割时容易丢失目标的问题.     

小波及分水岭变换在图像分割中的应用

在进行分水岭图像分割时,由于对噪声及灰度变化的敏感性,将得到过度分割的图像.为了克服这种缺点,利用小波多分辨率分析特性及图像增强对图像进行处理,去除大量的噪声信息,保留图像边缘的细节信息,并使图像边缘像素灰度值得到增强,减少由噪声带来的过度分割;对降噪增强后的图像使用形态学梯度算法及控制标记符的分水岭分割方法能够进一步减少由于灰度变化小带来的过度分割,从而较好地解决了过度分割问题[1].     

基于PCNN和BWT的图像融合算法

提出了一种新型图像融合算法.首先,对待融合的两幅图像进行双正交小波分解得到两组多尺度图像;接着,取其中任意一组作为主PCNN的输入、另一组相应的图像作为从PCNN的输入,在每次迭代时,经并行PCNN点火后,得到一系列多尺度融合图像;然后,对它们进行双正交小波重构得到每次迭代的融合结果,并计算每次迭代结果的信息熵,取信息熵值最大的融合图像作为最终结果.大量的实验以及与其他融合算法的比较分析,表明了本文算法的有效性和优越性.     

基于改进的脉冲耦合神经网络的红外目标分割方法

针对红外目标的特点,提出了一种基于直方图的改进脉冲耦合神经网络（PCNN）图像分割方法,本算法摒弃了原有脉冲耦合神经网络模型中的时间指数下降机制,利用灰度直方图的知识直接获得PCNN的分割门限,同时保留了弥补空间罅隙和灰度微小变化的优点,实验表明本算法分割得到的目标区域更加完整,并提高了运算速度。     

PCNN和Otsu理论在图像增强中的应用

提出了基于改进的脉冲耦合神经网络(PCNN)与Otsu的图像增强新方法。该方法对PCNN进行了改进,而用改进后的PCNN进行图像去噪处理,继而用Otsu方法寻找最佳灰度阈值后进行图像增强。仿真实验表明,该方法滤波后信噪比(PSNR)为18．9305,而高斯滤波为5．4087;同时又能根据图像灰度性质自动选取最佳阈值,并对自适应分割后图像进行不同的灰度变换,使图像得到有效增强。仿真结果证明了该方法的有效及合理性。     

基于PCNN和SVM的图像识别方法研究

利用脉冲耦合神经网络(PCNN)具有良好的脉冲传播特性,研究了利用PCNN进行图像分割的技术.针对模型参数和最优分割结果难以确定的问题,改进了标准PENN模型,提出了基于互信患量的PCNN图像分割方法.计算原图像与PCNN分割图像序列问的互信息量,对应最大互信息量的分割图像就是最佳分割结果.然后选取不同类型飞机图像提取不变矩特征,用支持向量机(SVM)实现分类识别.实验结果表明,该方法分割效果好,适应性强,能够很好地识别飞机图像.     

一种改进型脉冲耦合神经网络及其图像分割1

本文结合人类视觉系统(HVS)对图像信息含量区域敏感度不同这一特性,以神经元接近点火程度的一致性描述图像空间邻域所含的信息量,对通常的脉冲耦合神经网络模型(PCNN－Pulse Coupled Neural Network)进行了改进,提出了一种基于改进PCNN的图像自适应分割算法.该算法根据象素及其周边区域的信息量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.最后对用这种方法进行图像分割的结果进行基于信息量的图像压缩,在压缩比和重建图像主观视觉感知质量上均达到了良好的性能,表明了本文算法的可行性和有效性.     

PCNN参数自适应设定及其模型的改进

 脉冲耦合神经网络(PCNN)模型在数字图像处理中有着广泛应用,但基本都是从网络的外在特性出发并结合一定的实际应用对其进行研究和改进,缺乏对模型本身数学特性的分析.本文从PCNN模型的迭代方程出发,对无耦合连接和耦合连接两种状态下的PCNN数学模型进行了点火机理分析,揭示了PCNN模型本身的数学耦合特性(点火阶梯)以及其对网络生物学特性(脉冲发放特性)会造成干扰和影响的现象,并分析了这种干扰和影响产生的机理和消除方法,同时提出PCNN用于图像分割时参数自适应设定的方法.最后给出了更能体现神经网络生物学特性的PCNN改进模型,将其用于Lena等图像的分割处理中,取得了良好的效果.     

Irregular Segmented Region Compression Coding Based on Pulse Coupled Neural Network

An irregular segmented region coding algorithm based on pulse coupled neural network（PCNN） is presented. PCNN has the property of pulse-coupled and changeable threshold, through which these adjacent pixels with approximate gray values can be activated simultaneously. One can draw a conclusion that PCNN has the advantage of realizing the regional segmentation, and the details of original image can be achieved by the parameter adjustment of segmented images, and at the same time, the trivial segmented regions can be avoided. For the better approximation of irregular segmented regions, the Gram-Schmidt method, by which a group of orthonormal basis functions is constructed from a group of linear independent initial base functions, is adopted. Because of the orthonormal reconstructing method, the quality of reconstructed image can be greatly improved and the progressive image transmission will also be possible.     

基于能量梯度场映射关系的红外图像分割方法

为了解决红外图像在图像配准中对比度低、背景复杂、红外目标受噪声干扰严重、传统分割方法易产生过分割或欠分割的问题,提出了一种基于改进的脉冲耦合神经网络(PCNN)和形态学方法的红外图像分割算法。首先根据图像能量分布情况提取纹理图像,将纹理图像通过PCNN进行分割,PCNN的链接强度根据区域能量在梯度场的变化自适应设定;由于PCNN的点火位置集中于红外目标部分,通过点火映射图可以得到连贯清晰的红外目标轮廓;再通过形态学方法滤除背景干扰。结果表明,该方法能够精确分割红外图像,分割结果优于传统方法。     

基于简化PCNN模型的结构光图像自动分割方法

针对CCD获取的结构光图像因大尺寸、光照不均匀,一般分割方法容易产生过分割或欠分割,提出了一种简化的脉冲耦合神经网络(PCNN)分割方法。将结构光图像进行分块,降低光照对分割质量的影响。每块子图像采用改进的PCNN模型自动进行分割。PCNN采用线性方式动态调整脉冲门限,以最小交叉熵确定其迭代次数,并利用邻域像素间的关系自动调整连接系数,减少人工干预。通过主客观评价指标对分割结果进行了比较,结果表明,提出的算法可以有效地分割出结构光图像中的条纹及点阵模式,目标边缘光滑、连贯和清晰,可以用于结构光图像的分割处理。     

基于直方图极大值准则可变参数图像阈值分割方法

提出了一种基于直方图极大值准更则图像阈值分割方法，通过调节参数可对多类图像进行分割。阉值分割是实时图像处理首选的分割算法。本文通过一维灰度直方图确定极大值，从而获得图像中多个目标区域和背景区域阉值，分割出多个区域，将每个区域赋为不同的灰度级，根据具体所要分割的目标再进行分割。实验证明该方法分割效果较好，分割速度快，实时性较好。     

用无需选取参数的Unit-linking PCNN进行自动图像分割

脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）是一种有生物学依据的人工神经网络，它可有效地用于图像分割。基于PCNN的图像分割效果取决于PCNN中各参数的选择。然而，图像分割时，各种不同的图像对应的PCNN参数是不同的，而PCNN参数的选择是困难的。本文提出了一种基于Unit-linking PCNN的图像分割新方法，解决了PCNN图像分割参数选择的难题。用本文提出的新方法可有效地自动分割各种图像，而无需考虑PCNN参数的选择，这对于PCNN的理论研究和实际应用有重要的意义。     

基于改进脉冲耦合神经网络的电路板红外图像分割

电路板红外图像发热芯片区域准确分割是电路板故障诊断的关键步骤,但灰度不均匀、目标区域多、辐射噪声大使电路板红外图像的准确分割变得较为困难。针对这一问题,本文提出一种改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)红外图像分割模型。首先,调整传统PCNN的模型结构,将图像梯度信息作为输入信号增加到模型输入域;其次,基于最大似然估计原理,推导出链接系数β的动态调整方法;最后,在脉冲发生域引入边缘约束算法,防止邻域神经元误捕获,增强目标区域的可分割性。实验结果表明,改进模型能够有效降低背景及辐射噪声影响,准确分割出不同类型电路板红外图像目标芯片区域,在视觉效果、区域一致性和对比度方面均优于已知的Ostu、K-means和传统PCNN模型,分割性能得到明显增强。     

一种基于互相关匹配的简化PCNN及其图像分割

脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效的用于图像分割,但无法确定最优分割时的迭代次数.针对这一问题,文章从原始图像与分割图像的相似性出发,提出了一种基于最大互相关匹配的简化PCNN图像分割新方法.该算法通过计算原始图像与分割图像的相关匹配系数来确定最优分割.实验结果验证了该方法的有效性.     

一种新的基于双层PCNN的自适应图像分割算法

提出一种新的基于双层脉冲耦合神经网络（PCNN）的自适应图像分割算法。双层PCNN的前级以简化PCNN模型为基础,获得区域生长的种子;后级采用区域生长机制,征募区域内灰度相似像素,完成前级种子的生长。新算法PCNN的关键参数可自适应更新,避免了传统PCNN参数设置难的问题;区域生长机制强化了PCNN的区域特性。实验结果...