一种基于改进型PCNN的织物疵点图像自适应分割方法

 针对传统脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)模型中网络参数多、不易自动选取的问题,本文在对PCNN模型进行改进的基础上,提出了一种基于改进型PCNN织物疵点图像自适应分割方法.采用了一种基于分割区域内均匀度差异最小作为最佳迭代次数判断标准,从而有效地满足了PCNN对织物疵点图像的自动分割要求.通过对不同疵点图像分割实验证明了算法对疵点分割的准确性和有效性.     

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。     

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.     

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.     

一种新的基于PCNN的图像自动分割算法研究

脉冲耦合神经网络(PCNN)非常适合图像分割.在参数确定的情况下,分割效果随迭代次数呈周期性变化.因此确定最佳迭代次数是运用PCNN进行图像自动分割的关键.本文提出一种基于连通域计算的边缘统计算法,用于评价迭代结果的有效边缘.最大有效边缘值所对应的迭代输出即为最佳分割.实验证明,该算法比基于图像熵和基于边缘算子的算法灵敏度高,抗噪声能力强.     

一种基于脉冲耦合神经网络和图像熵的自动图像分割方法

90年代发展形成的脉冲耦合神经网络（PCNN）模型特别适合于图像分割、边缘提取等方面的应用研究，但众所周知，PCNN模型图像分割效果不但取决于PCNN模型中各个参数的合理选择，而且同时还取决于循环迭代次数的确定选择准则，通常循环迭代次数N的选择通过人工交互方式来确定。正因为如此选择合适的准则来确定N是PCNN图像分割的关键，但目前还没有文献提出一个合适的准则来解决这个问题。本文结合图像统计特性和PCNN参数模型提出了熵值最大准则。该准则实现了PCNN神经网络的自动图像分割。对于PCNN的理论研究和实际应用具有非常重要的现实意义。     

一种改进的PCNN图像分割算法

PCNN用于图像分割时,为获得满意分割效果,其参数往往通过反复试凑确定,这在一定程度上限制了PCNN的使用。为此在改进的PCNN基础上,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的图像分割算法。该方法可有效地完成图像分割,分割结果优于原PCNN和传统Ostu算法。     

基于简化的PCNN与类内最小离散度的图像自动分割方法

提出了一种基于简化的PCNN与类内最小离散度相结合的自适应图像分割方法,在每次迭代时将脉冲耦合神经网络点火的神经元对应的像素作为目标,未点火的神经元对应的像素作为背景,计算目标和背景的类内离散度,取类内离散度最小的分割图像作为最终结果.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,是一种可行的与有效的图像分割方法.     

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。     

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.     

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。     

一种参数自适应的PCNN图像分割算法

文章利用用粒子群优化(PSO)算法优化脉冲耦合神经网络(PCNN)的参数,其中将从训练图像中提取熵和能量的比值作为PSO的适应度函数,提出了一种参数自适应的PCNN图像分割方法。最终通过Matlab仿真实验证明了该方法具有较好的分割性能,该方法不但能够正确地完成图像分割,而且也省去了人为设置PCNN参数的麻烦。     

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.     

自适应PCNN多聚焦图像融合

脉冲耦合神经网络（PNNN）型参数多,计算复杂,并且通常选取经验常数作为链接强度,这极大地限制了PCNN的普遍适用性.针对该问题,在分析PCNN模型基本特征的基础上,结合多聚焦图像的基本特点提出了一种基于PCNN的自适应多聚焦图像融合新方法.该方法在PCNN简化模型的基础上既将拉普拉斯能量作为PCNN对应神经元的链接强度β,又将其作为PCNN对应神经元的反馈输入经过PCNN点火从而获得每幅参与融合图像的点火映射图,最后通过选取适当的融合规则获得融合图像.实验结果表明了该方法的有效性,这种有效性不仅体现在视觉效果上,而且体现在客观评价标准上.     

一种新的视网膜血管网络自动分割方法

提出了一种基于脉冲耦合神经网络(PCNN)和分布式遗传算法(DGA)的视网膜血管自动分割方法.首先采用二维高斯匹配滤波器预处理以增强血管,然后采用DGA快速搜索出PCNN的最佳参数设置值并运用PCNN分割出增强图像的血管网络,最后对分割得到的血管网络结合区域连通性特征,采用面积滤波算子滤除噪声,提取出最终的血管网络.通过在国际上公开的Hoover眼底图像库中的实验,结果表明,该方法在血管分支提取和算法有效性方面明显优于Hoover算法,具有较高的临床应用价值.     

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。