基于PCNN的自动图像分割

脉冲耦合神经网络(PCNN)模型在数字图像分割中得到了广泛的应用,但对网络参数的确定以及最优结果的选则一直是一个难题,主要是以人工经验为主,虽然提出了一些参数自动设置的算法,但都缺乏对模型本身数学理论的研究和分析.通过对PCNN网络神经元点火特性的分析,提出了一种基于图像最大灰度值最小时刻点火的参数自适应设定算法,并针对该算法构造了一种新的用于最优结果选择的判定准则.将其用于lena等图像分割中,取得了与主观评价相一致的结果,而且表现出更快的速度和较好的鲁棒性.     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。     

基于PCNN的图像多区域迭代分割

对传统经典的PCNN网络进行改进,提出一种新的基于PCNN的多区域图像分割方法。去掉原模型中的一些次要参数,突出灰度对分割的影响;根据图像中存在不同灰度变化的特性,分2阶段完成对图像的分割:初次分割和二次分割。初次分割是利用灰度直方图谷底灰度作为动态阈值进行,使动态阈值对分割边界的影响达到最小;二次分割则对初次分割的结果进行细分割,点火区域和非点火区域灰度差较小,其动态链接系数通过循环迭代搜索确定。二次分割迭代进行,从而实现了对整幅图像的完整分割。其实验结果表明,该方法的错误率小于常规的聚类分割算法和GBS算法。       

基于PCA与合并聚类的RBFNN人脸识别

基于主成分分析、合并聚类算法和径向基神经网络,提出一种有效的人脸识别方法.通过使用PCA进行特征提取,降低人脸图像的维数,对所提取的特征合并聚类确定径向基神经网络中心,根据类内样本与聚类中心的距离和类间距离计算各中心的散布常数,以ORL人脸数据库对网络进行训练和测试.实验结果表明,该方法选取较低的脸特征维效取得较好的识别效果.     

基于均方根阈值的PCNN图像分割算法研究

为了改善脉冲耦合神经网络(PCNN)在图像分割过程中的性能，提出了一种将灰度均方根阈值与PCNN相结合的方法，称之为灰度均方根阈值PCNN (RMS-PCNN)。在简化方法中，只需确定一个参数；此外，在图像分割点火过程中，PCNN阈值只计算一次，展现了更好的分割性能和更快的计算速度。实验结果表明该简化方法是一种有效的图像分割方法。     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

基于修正交叉视觉皮质模型的图像分割方法

提出了一种基于修正交叉视觉皮质模型(MICM)的图像自适应分割新方法. 根据待分割图像的自身特性,自适应地设定参数,并以互信息量为目标函数选取最佳分割结果. 该方法解决了针对不同的图像需要人工设定交叉皮质模型(ICM)参数和需要人工选取最佳分割结果的2个问题. 实验结果表明,与通过大量实验获得模型参数的脉冲耦合神经网络(PCNN)基本模型和ICM基本模型相比,MICM与其综合评价函数值相近;与模糊聚类分割算法和最大类间方差(OTSU)算法相比,MICM算法有较明显的视觉优势,并且其综合评价函数值也分别提高了约15%和13%.     

PCNN模型在彩色图像分割中的应用

针对脉冲耦合神经网络(PCNN)模型主要应用于灰度图像处理的局限性,利用脉冲发生器将颜色信息引入模型作为输入,与灰度信息共同控制神经元的内部行为,控制等灰度值的不同颜色区域分期点火,实现彩色图像的精确分割.双输入PCNN模型实现了彩色图像的分割,同时保持了PCNN模型对噪声的鲁棒性,从简单的仿真图像和实际图像两方面验证了此分割方法的有效性.     

一种基于神经网络提取图像特征的图像检索方法

脉冲耦合神经网络是新一代的人工神经网络,具有优良的自适应图像分割和自适应图像特征提取能力。本文有机的运用自适应图像分割和自适应图像特征提取,提出了一种新的图像特征———空间自适应类直方图,它既包含了图像的空间位置特征,又包含了图像的灰度特征。最后,我们把空间自适应类直方图与传统的基于共生矩阵的图像纹理特征组合作为图像的特征应用于图像检索。大量实验表明本文方法的有效性。     

双层聚类模型在日志数据分析中的应用

提出了一种基于自组织特征映射(SOM)神经网络和模糊c-均值(FCM)的双层聚类方法,对Web日志中的日志数据集进行聚类.第一层是无监督SOM神经网络聚类方法,它所产生的类的个数大大减少了原始数据集的个数,降低了FCM对类初始中心点的依赖;然后利用FCM聚类算法的优势对第一层中产生的类的中心点进行聚类,从而大大减少了聚类的时间复杂度;最后通过平行坐标技术可视化展示聚类前后的日志数据集,方便对日志数据进行分析.     

基于点火频率的两层PCNN参数研究及其应用

提出了一种新的两层PCNN网络结构,第一层为Eckhom网络,第二层为内部元链接神经元,和第一层的神经元一一对应,用来接收第一层神经元的脉冲输出。该模型综合考虑了空间和时间因素,更加接近于生物神经元。提出了该两层PCNN网络循环次数的确定方法。新的模型及其有关算法用于图像分割时,分割结果以第二层神经元的点火二值矩阵为最终分割结果,实验表明文中提出的新模型和根据初始参数确定循环次数的方法是有效的。     

一种融合PCNN和Watershed变换的图像分割方法

提出了一种融合Watershed变换(WST)和主成分神经网络(PCNN)的图像分割方法.该方法充分利用WST和PCNN在图像分割方面各自的优点,首先用PCNN对待分割的图像进行预处理,自动生成对象标记,然后在标记的指引下,进行WST.有了标记,WST就会以一种受控制的方式进行,这样过度分割的问题就会得到解决.实验表明,该方法能够快速、准确地实现图像分割.     

PCNN与粗集理论用于多聚焦图像融合

现有技术不能保证获取图像时,对图像每个位置都具有同样的聚焦效果,这样便产生了多聚焦图像的融合问题,它包括如何进行多聚焦图像像素分类及采取何种融合决策。该文结合脉冲耦合神经网络(PCNN)模型和粗集理论,对该问题进行尝试性研究,提出了一种新的多聚焦图像融合算法。首先计算原始图像的清晰度,将清晰度矩阵送入PCNN进行处理,然后根据粗集理论对原图像像素进行分类处理,最后生成融合图像。仿真结果表明,该算法在一定程度上优于其他传统算法。且具有较好的抗噪性能。     

Feature-Based Fusion of Dual Band Infrared Image Using Multiple Pulse Coupled Neural Network

To improve the quality of the infrared image and enhance the information of the object, a dual band infrared image fusion method based on feature extraction and a novel multiple pulse coupled neural network (multi-PCNN)is proposed. In this multi-PCNN fusion scheme, the auxiliary PCNN which captures the characteristics of feature image extracting from the infrared image is used to modulate the main PCNN, whose input could be original infrared image. Meanwhile, to make the PCNN fusion effect consistent with the human vision system, Laplacian energy is adopted to obtain the value of adaptive linking strength in PCNN. After that, the original dual band infrared images are reconstructed by using a weight fusion rule with the fire mapping images generated by the main PCNNs to obtain the fused image. Compared to wavelet transforms, Laplacian pyramids and traditional multi-PCNNs, fusion images based on our method have more information, rich details and clear edges.     

基于稀疏神经网络的说话人分割

提出一种基于稀疏神经网络的说话人分割方法,利用稀疏的单隐层神经网络提取语音的超矢量特征中说话人因子特征,然后通过K均值聚类得到每帧语音的标号来分割不同说话人,在稀疏网络的训练过程中引入了dropout技术以克服过拟合问题.在TIMIT语音数据库构成的多说话人语音数据上的实验结果表明:通过增加稀疏网络中隐层节点的个数可以提高说话人分割的效果,与贝叶斯信息准则(Bayesian information criterion,BIC)方法和稀疏自编码网络方法相比,所提基于稀疏神经网络的说话人分割方法的性能有明显提高.     

基于自适应脉冲耦合神经网络图像融合新算法

针对传统的基于脉冲耦合神经网络(PCNN)的融合算法中每个神经元链接强度取同一常数的不足,提出了一种基于自适应PCNN图像融合新算法。作为显著性特征,使用像素的拉普拉斯能量(EOL,energy of Lapla-cian)和标准差(SD,standard deviation)分别作为PCNN对应神经元的链接强度值。实验结果表明,本文方法融合结果优于Laplacian方法、小波方法和传统的PCNN方法。     

预防性反馈PCNN模型及在组合优化问题中的应用

利用脉冲耦合神经网络(PCNN)的自动波特性求解组合优化问题。在三态层叠脉冲耦合神经网络(TCPCNN)模型基础上,结合三角不等式定理,构造具有预防性反馈的脉冲耦合神经网络模型。在搜索最优解的过程中,利用三角不等式定理对解进行预判断,不理想的解被删除,起到预防反馈作用,降低求解的空间复杂度,提高求解效率和准确性。将该算法应用于SP和TSP问题实验仿真,结果表明,该算法有效降低了解空间复杂度,进一步提高了搜索速度。     

Automated retinal blood vessels segmentation based on simplified PCNN and fast 2D-Otsu algorithm

According to the characteristics of dynamic firing in pulse coupled neural network (PCNN) and regional configuration in retinal blood vessel network, a new method combined with simplified PCNN and fast 2D-Otsu algorithm was proposed for automated retinal blood vessels segmentation. Firstly, 2D Gaussian matched filter was used to enhance the retinal images and simplified PCNN was employed to segment the blood vessels by firing neighborhood neurons. Then, fast 2D-Otsu algorithm was introduced to search the best segmentation results and iteration times with less computation time. Finally, the whole vessel network was obtained via analyzing the regional connectivity. Experiments implemented on the public Hoover database indicate that this new method gets a 0.803 5 true positive rate and a 0.028 0 false positive rate on an average. According to the test results, compared with Hoover algorithm and method of PCNN and 1D-Otsu, the proposed method shows much better performance. Foundation item: Project (60872081) supported by the National Natural Science Foundation of China; Project (50051) supported by the Program for New Century Excellent Talents in University; Project (4092034) supported by the Natural Science Foundation of Beijing