基于模糊熵的改进型PCNN图像分割方法

针对传统的PCNN在图像分割中需要设定大量的参数,并且分割的最佳迭代次数无法自动确定等问题,简化了传统PCNN模型的接受部分,改进了PCNN的连接部分,改变了PCNN的阈值衰减方式,并利用最大模糊熵作为最佳分割迭代次数的判定准则,提出了一种新的PCNN改进模型,从而实现了PCNN的自动精确分割.对各类图像的实验结果表明,该方法能够自动确定循环迭代次数和自动选取最佳阈值,与基于最大香农熵的PCNN分割方法相比,该方法具有收敛速度快、分割精度高、分割效果好等特点.     

一种基于交叉熵的改进型PCNN图像自动分割新方法

脉冲耦合神经网络(PCNN)是20世纪90年代形成和发展的一种新型神经网络。为了自动地进行精确的图像分割，在基于图像处理的前提下，对现有的PCNN模型进行了改进，即从原始图像与分割图像的目标之间、背景之间的差异性出发，提出了一种基于最小交叉熵准则的改进型PCNN图像分割新方法。通过计算机仿真，该方法能够自动确定循环迭代次数和自动选取最佳阈值，并与基于最大香农熵的PCNN分割方法进行了比较。实验结果表明，该方法优于香农熵准则PCNN分割，其不仅对图像分割精度高，而且具有较强的适用性。     

群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割算法

针对最大类间方差准则下的图像分割结果携带原图信息量不足、实时性差和脉冲耦合神经网络（PCNN）模型中循环迭代次数难以确定的问题,提出了群智能算法优化的结合熵的最大类间方差法（OTSU-H）与PCNN融合的自动图像分割算法。首先,充分利用图像的灰度分布信息和相关信息,将图像信息中冗余度、竞争性以及互补性有效地融合,构造二维和三维观测空间,提出了OTSU-H准则的快速递归算法;其次,将快速递推算法的目标函数分别作为布谷鸟搜索（CS）算法、萤火虫算法（FA）、粒子群优化（PSO）算法和遗传算法（GA）四种群智能算法的适应度函数;最后,将优化之后的OTSU-H引入PCNN模型中自动获取循环迭代次数。实验结果表明,与原始的最大类间方差法（OTSU）、最大熵准则以及基于图论分割、像素的聚类分割和候选区域语义分割的图像分割算法相比,所提算法具有较好的图像分割效果,同时降低了计算复杂度,节约了计算机的存储空间,具有较强的抗噪能力。所提算法时间损耗少、不需要训练的特性使得算法的运用范围较广。     

一种基于QPSO的脉冲耦合神经网络参数的自适应确定方法

针对目前脉冲耦合神经网络(PCNN)神经元模型中的参数主要通过人工定义的问题,提出一种基于量子微粒群优化(QPSO)算法的PCNN参数自动确定方法,并分析该算法的时间复杂度。该方法利用PCNN分割后的图像熵作为QPSO算法的适应度函数,在解空间中自动搜索PCNN中待确定参数的最优值,提供一种PCNN神经元模型中的参数自动确定方法。将该方法应用于图像分割时,以互信息量作为图像分割评价标准。仿真结果表明文中方法实现正确的图像分割,其性能优于Otsu方法、人工调整PCNN参数方法、遗传算法优化方法和微粒群优化方法,表现出较好的鲁棒性。     

基于灰度迭代阈值PCNN的眼底图像血管分割

针对传统的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）模型中参数众多且不易自动选取,迭代次数结束条件不好确定的问题,提出了一种基于灰度迭代阈值脉冲耦合神经网络的眼底图像血管分割方法。该方法简化了传统PCNN模型,将其单一的神经元兴奋性链接输入改进为神经元兴奋性与邻域抑制性链接输入之和;同时将其随时间指数衰减的阈值改进为图像的灰度迭代阈值,分割图像时无需人工设置参数,无需特定准则确定最佳迭代次数,一次迭代完成分割。对DRIVE眼底图像库的实验结果表明,该方法在主观视觉效果及客观分割性能和运算耗时上均明显优于传统PCNN方法。     

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.     

结合自适应免疫克隆算法和PCNN的图像分割方法

脉冲耦合神经网络在图像处理中需要通过多次调整参数才能获得比较好的图像处理效果.为此提出了一种结合免疫克隆算法的PCNN参数自动判定算法,提出的方法将PCNN的参数设置问题转化为基于免疫克隆算法的参数优化问题,将图像熵值作为免疫克隆算法最佳适应度的评判依据,从而达到PCNN在图像处理中参数自适应调整的目的.同时,在免疫克隆算法中引入自适应算子和梯度操作来影响部分抗体的进化,以保持群体的活性,打破群体信息陷入局部最优的状况.实验表明,提出的算法实现了PCNN参数的自适应调整,图像分割效果优于比较的多种图像分割算法.     

一种基于矢量PCNN的彩色图像自动分割算法

为了对彩色图像实施自动分割,在彩色图像RGB空间中,对传统PCNN模型进行了改进与推广,提出一种基于指数熵矢量脉冲耦合神经网络(VPCNN)彩色图像自动分割新算法。该方法在考虑VPCNN互联矢量神经元动态时空相似特性的同时,利用改进指数动态阈值矢量与神经元内部活动项矢量间的信息对比关系确定分割图像的目标和背景区域,结合最大指数熵判据来达到彩色图像的自动分割,并与最大香农熵准则VPCNN分割方法做了比较。实验结果表明:算法具有图像分割精度高、适应性强、能较好地保持彩色图像边缘和细节等信息的优点。     

基于点火频率的PCNN灰度图像分割方法研究

提出了基于点火频率的PCNN灰度图像分割方法,利用熵的变化量作为收敛判据,实现了PCNN神经网络的灰度图像自动分割。     

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。     

基于微粒群算法和脉冲耦合神经网络的图像分割算法

脉冲耦合神经网络（Pulse Coded Neural Network,PCNN）在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割的结果影响很大。而微粒群优化算法（Partide Swarm Optimization,PSO）具有对参数自动寻优的优势,为此,将PSO和PCNN相结合,以改进的最大熵函数为适应度函数,提出了一种基于PSO和PCNN算法的图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且参数可以自动设置,省去了人工实验的麻烦,同时分割速度也有所提高。     

一种参数自动寻优的PCNN图像分割算法

利用粒子群优化算法（Particle Swarm Optimization,PSO）具有对参数自动寻优的优势,将PSO和脉冲耦合神经网络（Pulse Couled Neural Network,PCNN）相结合,并以改进的最大类间方差准则函数为适应度函数,提出了一种能进行参数自动寻优的PCNN图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且PCNN的参数可以自动设置省去了人工实验的麻烦,同时分割速度也有所提高。     

基于遗传算法和简化PCNN神经网络的裂缝检测方法*

为能够在复杂背景下检测裂缝、分析裂缝图像特征,由脉冲耦合神经网络(pulse coupled neural networks, PCNN)的运行特征和神经元的状态变化分析简化PCNN模型,将简化PCNN模型用于裂缝图像的目标检测。针对PCNN无法确定裂缝图像的最优检测以及脉冲门限具有非线性因子的问题,提出了一种基于遗传算法(genetic algorithm, GA)和简化PCNN的裂缝图像检测方法。该方法采用最小误差准则作为遗传算法的适应度函数,并且根据遗传算法具有全局最优解的特点确定简化PCNN中各因子的值,实现了简化PCNN的裂缝图像自动分割。将本文方法与不同的分割方法对实际裂缝图像的处理结果进行比较,通过区域对比度、准确率和召回率等客观指标进行定量分析,表明了该方法对裂缝图像检测的有效性与通用性。     

High-resolution SAR images segmentation using NSCT denoising and QIGA based parameters selection of PCNN model

The high-resolution synthetic aperture radar (SAR) images usually contain inhomogeneous coherent speckle noises. For the high-resolution SAR image segmentation with such noises, the conventional methods based on pulse coupled neural networks (PCNN) have to face heavy parameters with a low efficiency. In order to solve the problems, this paper proposes a novel SAR image segmentation algorithm based on non-subsampling Contourlet transform (NSCT) denoising and quantum immune genetic algorithm (QIGA) improved PCNN models. The proposed method first denoising the SAR images for a pre-processing based on NSCT. Then, by using the QIGA to select parameters for the PCNN models, such models self-adaptively select the suitable parameters for segmentation of SAR images with different scenes. This method decreases the number of parameters in the PCNN models and improves the efficiency of PCNN models. At last, by using the optimal threshold to binary the segmented SAR images, the small objects and large scales from the original SAR images will be segmented. To validate the feasibility and effectiveness of the proposed algorithm, four different comparable experiments are applied to validate the proposed algorithm. Experimental results have shown that NSCT pre-processing has a better performance for coherent speckle noises suppression, and QIGA-PCNN model based on denoised SAR images has an obvious segmentation performance improvement on region consistency and region contrast than state-of-the-arts methods. Besides, the segmentation efficiency is also improved than conventional PCNN model, and the level of time complexity meets the state-of-the-arts methods. Our proposed NSCT+QIGA-PCNN model can be used for small object segmentation and large scale segmentation in high-resolution SAR images. The segmented results will be further used for object classification and recognition, regions of interest extraction, and moving object detection and tracking.

     

An Iterative Thresholding Segmentation Model Using a Modified Pulse Coupled Neural Network

This paper presents a novel iterative thresholding segmentation method based on a modified pulse coupled neural network (PCNN) for partitioning pixels carefully into a corresponding cluster. In the modified model, we initially simplify the two inputs of the original PCNN, and then construct a global neural threshold instead of the original threshold under the specified condition that the neuron will keep on firing once it begins. This threshold is shown to be the cluster center of a region in which corresponding neurons fire, and which can be adaptively updated as soon as neighboring neurons are captured. We then propose a method for automatically adjusting the linking coefficient based on the minimum weighted center distance function. Through iteration, the threshold can be made to converge at the possible real center of object region, thus ensuring that the final result will be obtained automatically. Finally, experiments on several infrared images demonstrate the efficiency of our proposed model. Moreover, based on comparisons with two efficient thresholding methods, a number of PCNN-based models show that our proposed model can segment images with high performance.     

结合Ostu阈值法的最小生成树图像分割算法

基于最小生成树的图像分割算法是一种全局最优的算法，然而会出现图像细节的处理不甚理想的问题，即分割结果出现不同程度的过分割和欠分割的现象。针对这一现象，根据图像全局和区域间的最大类间方差（Ostu），将Ostu阈值法与最小生成树（MST）算法相结合，提出了一种基于MST的Ostu阈值法图像分割准则。该图像分割算法是一种MST的优化方法，将区域合并判决条件取决于相互合并的两个区域的Ostu阈值，又考虑到较小的区域包含在较大的目标区域中或者背景区域中，再次使用Ostu阈值进行区域合并。该方法通过实验证明，可以有效地减弱图像的过分割与欠分割比例，减少了误分割率。