基于自组织神经网络的彩色图像自适应聚类分割

针对一般聚类分割算法对于色彩丰富、背景复杂的图像容易造成聚类重叠,引起像素错误分类的缺点,提出一种新的基于自组织特征映射神经网络的彩色图像分割方法．首先利用各像素的RGB值作为输入样本对网络进行训练,然后根据竞争层特征映射点的密度分布图,利用自组织映射分析的方法,确定图像颜色的聚类数和聚类中心,最后利用距离竞争取胜的原则处理每个像素,从而实现彩色图像的区域分割．通过实例验证,该方法能够较好地完成彩色图像的自适应聚类分割,处理效果良好．     

基于自组织特征映射神经网络的医学图像分割技术

采用一维自组织特征映射神经网络对医学图像进行聚类分析,实现对不同组织的自动分割.避免了直接使用灰度门限分割方法由于门限值选择不当所导致的分割结果有失准确性的缺点.试验结果表明,利用该方法能够较好地保证分割结果的准确性和完整性.     

基于Kohonen自组织特征映射神经元网络图像分割方法的研究

传统图像分割技术对森林火灾图像分割效果不太理想,无法模仿人对颜色的主观判断,因此很难提取森林火灾图像的火焰区域,而K0llonen自组织特征映射神经元网络在这一方面表现出极大的灵活性和自适应性,能够模拟人的思维活动。本文利用Kohonen神经元网络自动对森林火灾图像分割和分类,获得卓有成效的效果,为森林火灾图像的自动识别奠定基础。     

基于小波和自学习神经网络的图像分割*

提出了一种新颖的基于小波神经网络构架的FLIR图像分割技术,旨在将小波变换的时—频局域特性与神经网络的自学习能力相结合,从而使FLIR图像的分割算法具有较强的逼近和容错能力。该算法在FLIR―ATR系统中得到应用,对于FLIR目标图像轮廓的提取和抑制杂散背景方面获得了良好的效果。     

基于自监督学习的病理图像层次分割

在苏木精-伊红(HE)染色病理图像中，细胞染色分布的不均匀和各类组织形态的多样性给病理图像的自动分割带来极大挑战。为解决该问题，提出了一种基于自监督学习的病理图像三步层次分割方法，对病理图像中各类组织进行由粗略到精细的全自动逐层分割。首先，根据互信息的计算结果在RGB色彩空间中进行特征选择；其次，采用K-means聚类将图像初步分割为各类组织结构的色彩稳定区域与模糊区域；然后，以色彩稳定区域为训练集采用朴素贝叶斯分类对模糊区域进行进一步分割，得到完整的细胞核、细胞质和胞外间隙这三类组织结构；最后，对细胞核部分进行结合形状和色彩强度的混合分水岭分割得到细胞核间的精确边界，进而量化计算细胞核个数、核占比、核质比等指标。对脑膜瘤HE染色病理图像的分割实验结果表明，所提方法对于染色和细胞形态差异保持较高的鲁棒性，各类组织区域分割误差在5%以内，在细胞核分割精度的对比实验中平均正确率在96%以上，满足临床自动图像分析的要求，其量化结果可以为定量病理分析提供依据。     

医学图像自动分割的神经网络算法

提出了一种基于Ｋｏｈｏｎｅｎ聚类神经网络的图像分割算法。首先论述了Ｋｏｈｏｎｅｎ聚类神经网络的基本原理，在此基础上对其进行了改进，将其用于医学图像分割中。针对聚类中心初始值选取的盲目性，提出了初始值优选法，大幅度提高了分割算法的速度。实验表明，本文提出的算法能快速、准确地完成医学图像的自动分割。     

基于综合特征的图像分割

文章提出了一种有效的基于颜色和纹理综合特征的图像分割方法。将图像以块为单位进行划分,在YUV空间,提取块的颜色特征和纹理特征,在这种综合特征基础上,采用改进的K均值聚类法进行图像分割。该方法能自适应确定聚类中的参数,且兼顾点的位置连通关系,从而达到了较好的分割效果。     

基于改进型聚类神经网络的图像分割

将聚类网络用于非监督的图像分割,提出了竞争层神经元的动态调整机制和返回式的非重复训练学习方案,实现了聚类数的自适应增加,解决了随机生成权值矩阵产生的死点问题,提高了算法的收敛性能。实验结果表明,改进的聚类网络的图像分割结果优于C-均值聚类算法和通常的聚类网络。     

一种新的自组织神经网络动态生成算法

本文提出了一种新的自组织神经网络生成算法VR2SOM,即在Voronoi域半径的控制下实现网络结点的生成、置换、平滑、删除等操作它既克服了需要预先确定网络结构的不足,又具备传统算法所具有的拓扑结构保持、概率分布保持、容易可视化等优良特性.     

基于水平集和迭代自组织算法的图像分割

提出了基于水平集和迭代自组织数据分析的岩心砾石图像分割方法,既可克服水平集算法伴生的图像过分割问题,也可解决迭代自组织算法产生的图像边缘飘移问题。该方法首先运用水平集算法获取目标颗粒的准确边界,运用迭代自组织算法提取目标颗粒的整体;其次将两种方法提取的图像给以迭加综合处理,克服水平集算法伴生的图像过分割和迭代自组织算法产生的边缘飘移的缺陷,进而得到既完整又边界准确的目标颗粒。该方法运用于岩心砾石图像的分割,取得了良好的效果。     

图象分割的一种神经网络实现方法

本文提出一种通过竞争 Hopfield神经网络 (CHNN)对二维灰度向量聚类和进行图象分割的方法。该方法兼顾了图象的邻域相关信息及图象的边缘特性 ,因而分割准确、抗噪能力强。由于引入竞争学习机制 ,该方法收敛速度较快     

自组织增量学习神经网络综述

自组织增量学习神经网络SOINN（self-organizing incremental neural network）是一种基于竞争学习的两层神经网络,用于在没有先验知识的情况下对动态输入数据进行在线聚类和拓扑表示,同时,对噪音数据具有较强的鲁棒性.SOINN的增量性,使得它能够发现数据流中出现的新模式并进行学习,同时不影响之前学习的结果.因此,SOINN能够作为一种通用的学习算法应用于各类非监督学习问题中.对SOINN的模型和算法进行相应的调整,可以使其适用于监督学习、联想记忆、基于模式的推理、流形学习等多种学习场景中.SOINN已经在许多领域得到了应用,包括机器人智能、计算机视觉、专家系统、异常检测等.     

基于卷积神经网络的岩心FIB-SEM图像分割算法

岩心聚焦离子束扫描电镜(FIB-SEM)图像存在灰度分布不均及孔隙内局部高亮等现象,采用传统图像分割算法所得孔隙分割精度较低,而基于轮廓的分割算法需对孔隙进行人工标记,操作繁琐且无法精确提取孔隙。提出一种利用卷积神经网络的端到端岩心FIB-SEM图像分割算法。结合光流法与分水岭分割图像标注法构建岩心FIB-SEM数据集,联合ResNet50残差网络、通道和空间注意力机制提取特征信息,采用改进的特征金字塔注意力模块提取多尺度特征,利用亚像素卷积模块经上采样获取更精细的孔隙边缘并恢复为原始分辨率。实验结果表明,与阈值分割算法和基于主动轮廓的岩心FIB-SEM分割算法相比,该算法分割精度更高且无需人工操作,其平均像素精度和平均交并比分别达到90.00%和85.81%。     

一种基于学习向量量化神经网络的图象分割方法

基于视觉传感器实现道路信息的理解是目前移动机器人自主导航的重要研究方向,其中道路图象的正确分割是提取有效路径信息的关键。该文针对复杂、干扰因素多的室外环境下传统方法难以实现道路图象正确分割的问题,提出了一种基于LV Q神经网络的道路图象分割方法。该方法通过选取道路图象的归一化色彩分量为特征向量,应用基于LV Q学习算法的神经网络分类器进行道路与非道路识别;为解决环境噪声对神经网络输出的影响,本文设计了串行级联式四阶形态滤波器实现对神经网络输出的分割图象的滤波处理。通过对实测图象进行分割处理验证了该方法的有效性和鲁棒性,可用于室外环境下机器人的实时视觉导航控制。     

基于最大熵的模糊核聚类图像分割方法

传统聚类算法易陷入局部极值,在数据线性不可分时分类效果较差。为此,提出一种基于最大熵的模糊核聚类图像分割方法。采用最大熵算法对原始图像进行初步分割,求得初始聚类中心;引入Mercer核函数,把输入空间的样本映射到高维特征空间,并在特征空间中进行图像分割。实验结果表明,该方法能减少迭代次数,使分类结果更稳定,从而较好地把目标从背景中分割出来。     

利用模糊神经网络实现逆向工程中的区域分割

论文提出了一种改进的模糊自组织特征映射网络(fuzzySOFM),它不仅显著加快了聚类的速度,而且算法简单。该网络采用由数据点的坐标、估算出的法矢量和曲率构成的八维特征向量作为输入,快速地实现了逆向工程中点云数据的区域分割。与现有方法相比,该方法具有以下优点:第一,具有更高的聚类速度,并可以直接处理含噪声数据;第二,聚类的结果与数据输入的顺序无关;第三,能利用数据的隶属度快速提取出特征线数据,从而将基于面的分割和基于线的分割结合起来。实验结果证明了这种方法的有效性。     

基于深度特征聚合网络的医学图像分割

利用卷积神经网络(CNN)进行医学图像分割时,通常将分割问题抽象为特征表示和参数优化问题,但在上采样和下采样过程中容易丢失特征信息,导致分割效果不理想.设计包含三级特征表示层和特征聚合模块的深度特征聚合网络结构DFA-Net.通过三级特征表示层提取基础特征同时聚合中间特征和深层特征,从而以聚合深层特征弥补CNN上采样与...     

基于双向搜索的脉冲耦合神经网络的图像分割

脉冲耦合神经网络（Pulse Coupled Neural Network PCNN）是基于猫视觉原理构建的一种简化的神经网络模型。为了快速进行图像分割,本文提出了基于双向搜索的脉冲耦合神经网络（Bidirectional search PCNNBPCNN）。与传统PCNN不同,BPCNN模型可同时自上而下和自下而上点火。当BPCNN与最大熵结合时,可以同时双向寻找最佳阈值,大大提高网络运行速度。通过灰度图像实验验证该模型取得了较好的效果。     

全卷积神经网络图像语义分割方法综述

图像语义分割是计算机视觉领域的热点研究课题,随着全卷积神经网络的迅速兴起,图像语义分割和全卷积神经网络的融合发展取得了非常卓越的成绩.通过对近年来高质量文献的收集,重点对全卷积神经网络图像语义分割方法进行总结.将收集的文献,按照应用场景的不同,划分为经典语义分割、实时性语义分割和RGBD语义分割,对具有代表性的分割方法...