基于PCNN模型的图像分割研究

脉冲耦合神经网络（PCNN）是根据猫的大脑视觉皮层同步脉冲发放现象提出的一种人工神经网络,有着生物学依据。本文采用Sobel算子提出梯度特征,通过自适应窗口技术对图像中含不同纹理特征信息的图像进行预处理。然后调整PCNN的链接域,结合PCNN脉冲传播性与区域增长,对预处理后的图像进行多值分割。我们称这种修改后的PCNN称为MRG-PCNN,实验结果充分展示了这种方法的有效性。     

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.     

图像分割中PCNN的应用研究

第三代人工神经网络——脉冲耦合神经网络(PCNN)在图像分割领域受到极大的关注,描述了PCNN模型原理,总结了PCNN应用于图像分割时存在的问题,分析了目前对这些问题的解决方法及其实现原理。在此基础上,指出各类方法的优缺点,展望了PCNN应用于图像分割的研究方向,模型中参数设置对分割结果影响的理论依据需要更深入的研究。     

优化的PCNN自适应三维图像分割算法*

脉冲耦合神经网络(pulse coupled neural network,PCNN)对图像分割具有天然的优势,但是传统的PCNN模型参数难以确定,且算法耗时多。对多种PCNN模型进行研究改进,并利用统计学知识提出了一种精简高效的自适应三维分割算法。将其用于脑部磁共振成像(magnetic resonance imaging,MRI)图像的分割,把脑组织分成白质、灰质和脑脊液。与标准PCNN、传统的Otsu阈值方法、SPM8工具箱及专家手动分割结果的对比实验表明,该自适应算法具有精确性、高效性。     

基于改进型PCNN的不规则图像自适应分割算法研究

针对不规则图像成分复杂、特征形状无法采用经典模型拟合等问题,提出了基于改进型脉冲耦合神经网络（PCNN）的自适应分割算法。该算法在原有PCNN模型基础上,对神经元反馈输入函数和动态阈值函数进行了修正,同时对神经元的输出采用多级输出模型,从而实现对不规则图像的分割。仿真实验表明,改进后的算法能够实现不规则图像的自适应分割,鲁棒性较好。     

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。     

Unit-Linking PCNN和图像熵的彩色图像分割与边缘检测

在RGB空间中,将最大香农熵准则和最小交叉熵准则两种评价准则与大概率合并和小概率合并两种合并策略相结合,提出基于Unit-Linking PCNN的四种彩色图像分割方案,并在各分量分割结果基础上利用Unit-Linking PCNN实施边缘检测,合并得到彩色图像的边缘检测结果。分析了各评价准则和合并策略的优劣,比较了各分割方案条件下的图像分割和边缘检测效果。与HSV空间中得到的相关结果进行分析比较,该文分割和边缘检测结果体现了图像的更多的细节,说明了在RGB空间中进行彩色图像分割和边缘检测的合理性。与相关文献结果相比,该方法的模型参数对图像分割结果的影响较不敏感。计算机仿真结果表明,该方法具有较好的彩色图像分割和边缘检测效果,具有较强适用性。     

基于视觉显著性与PCNN的图像分割算法

针对射线缺陷检测图像对比度低、缺陷边缘模糊、噪声多、存在较大的背景起伏等缺点,传统缺陷检测方法难从焊缝缺陷图像中提取出对比度较低的目标缺陷的问题,该文提出了结合视觉显著性与脉冲耦合神经网络（PCNN）的缺陷分割算法。首先,利用LC算法对射线检测图像进行显著性区域检测,得到反映图像不同区域显著程度的显著图;其次,将所得到的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,相较于传统的最大类间方差（Otsu）算法和脉冲耦合神经网络算法,采用该算法分割缺陷的效果较好,其分割边缘与细节信息的清晰度高,采用该算法分割缺陷的效果有较大提升。     

基于PCNN的彩色图像分割新方法

20世纪90年代发展起来的新一代神经网络——脉冲耦合神经网络(PCNN)模型特别适合于图像处理的各个方面,但是它一直只应用于灰度图像的处理上。有鉴于此,论文对PCNN在彩色图像分割上的应用进行了研究,将彩色图像空间变换成三个相互独立的分量,分别应用PCNN在灰度图像上已有的成熟的方法,得到了彩色图像的边缘信息,从而达到了彩色图像分割的效果。     

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和最大相关准则相结合的图像分割方法

脉冲耦合神经网络（PCNN）是有着生物学背景的新一代人工神经网络,在图像分割方面体现了优异的性能。PCNN模型在参数估计和阈值迭代方面的问题还有待解决。将一维最大相关准则和二维最大相关准则相结合来估计神经元参数,实现了图像分割的自动化并降低了运算的复杂性。仿真结果表明,该方法在分割图效果和运算复杂度方面都得到了提高,具有较好的实用性。     

基于PCNN和果蝇优化算法的自适应图像融合

针对脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）中参数选取不易确定的不足,提出一种基于脉冲耦合神经网络和果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）的自适应图像融合算法。利用FOA的全局搜索能力,以平均结构相似度作为FOA的适应度函数,对PCNN的4个参数[β、][Vθ、][αL]和[αθ]进行自适应设定;结合最大化原则,采用PCNN对源图像进行融合。实验结果表明,该算法在主观视觉效果和客观评价指标上优于其他融合算法。     

一种改进的PCNN图像融合算法

针对使用小波变换及简单融合规则的图像融合算法的不足,提出了一种改进的基于脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）融合规则的非下采样轮廓波变换（Nonsubsampled Contourlet Transform,NSCT）图像融合方法。对已配准待融合图像进行NSCT分解,采用改进的PCNN融合规则对Contourlet域系数进行融合,得到融合图像的NSCT系数,经逆变换重构得到融合图像。实验结果表明该算法在主观视觉和客观评价指标上都取得了较好的融合效果。     

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。     

利用直方图及边缘乘积互信息的PCNN图像分割

脉冲耦合神经网络（Pulse Coupled Neural Network）在图像分割中有很大的应用。其在实现过程时,传统的阈值选取是按等间隔下降依次试出来的,未考虑到图像的灰度先验分布,这种方法确定的分割阈值难以保证全局最佳,影响最终的分割效果。鉴于此,提出了将直方图和PCNN结合的算法,解决了全局最佳阈值的选取问题。同时提出了新的边缘乘积互信息准则用于判断图像分割的效果,不但能很好地利用图像目标的边缘信息,还可以大大降低计算量。实验表明,该算法可以在提高分割精度的基础上,显著地减少分割运行时间,提高分割效率。     

Shearlet与改进PCNN相结合的图像融合

为提高多聚焦和医学图像融合的性能,提出了一种基于Shearlet变换的新型图像融合算法。与小波变换类似,Shearlet具有简单的数学结构,这使其可以很方便地和多分辨分析关联起来。在对一幅图像作Shearlet变换时,可以将其在任意尺度和方向上进行解构,因而Shearlet比传统小波可以捕获更多的方向和其他几何信息。所以对于图像融合来说,Shearlet是一种很好选择。对于Shearlet子带系数的选择,采用了一种改进的PCNN的点火幅度来得到融合策略,而不是传统PCNN方法中的点火次数,点火幅度通过一个Sigmoid函数来得到。并且采用改进拉普拉斯能量和(SML)这一有效的聚焦度量作为PCNN的输入,以提高其性能。实验结果表明,该方法在视觉效果和客观评价指标上都要优于小波和非下采样Contourle(tNSCT)方法。     

自适应PCNN与信息提取的红外与可见光图像融合

提出基于非采样Contourlet变换（NSCT）的红外与可见光图像融合方法,用于有效地保留目标信息与空间背景信息,提高融合图像的可观测性与视觉效果。首先,基于NSCT方法对红外与可见光图像进行第一次融合,采用自适应PCNN方法提取目标信息融合低频子带系数,采用区域方差取大的规则融合高频子带系数,通过逆NSCT得到初次融合图像。然后,通过信息提取,得到初次融合图像和源图像的边缘保持度与信息熵。最后,依据信息熵与边缘保持度,采用不同的融合策略对红外与可见光图像进行第二次融合。实验结果表明,所述方法从主观视觉效果和客观评价都优于几个流行的基于多尺度变换的图像融合方法,与基于NSCT融合图像对比,两组实验融合质量指标分别提高了261.06%、48.31%、5.15%、142.95%、21.62%和372.85%、54.62%、4.73%、163.07%、25.40%。融合图像不仅边缘等细节纹理更加清晰,且视觉上更符合人眼视觉特性。     

基于改进简化PCNN模型的椒盐噪声滤波方法

针对PCNN简化模型在图像滤波中存在的问题,首先运用反证法证明PCNN简化模型在图像椒盐噪声检测时对低亮度的椒噪声检测失效;然后采用分而治之的方法对PCNN简化模型进行了改进,得到一种改进的PCNN简化模型;最后利用改进的PCNN简化模型检测图像的污染程度,确定噪声的具体位置,自适应地确定中值滤波窗口的大小,实现图像的自适应中值滤波。实验结果表明,此方法提高了噪声检测的准确性、图像滤波的保真性,对不同密度的椒盐噪声都有较好的滤波性能。     

复杂背景下的人体热图像分割

复杂背景下,特别是在环境与人体温度相差不大的情况下,红外运动人体目标与背景的灰度值会非常相似,准确的红外人体分割是一个难题。对基于混合高斯模型的背景减除法进行改进,在二值化阶段采用改进型的脉冲耦合神经网络（PCNN）进行精细分割,利用多模态免疫进化算法（MIEA）自动确定PCNN分割参数。仿真实验结果表明,该算法图像分割精度高,实现了快速自动分割,取得了较为理想的图像分割效果。