基于BPCNN的图像分割方法

研究一种双向脉冲耦合神经网络(BPCNN)的图像分割问题.首先将彩色图像量化结果或灰度图像作为BPCNN的外部输入激励,每个神经元根据BPCNN的正向脉冲产生器或逆向脉冲产生器发布脉冲信号,实现对图像的初始分割;然后根据初分割图像的区域距离合并过分割区域,最后提出一种综合多种分割评价准则的分割评价体系,并对分割结果进行了评价.实验结果表明,BPCNN算法在多类图像上均取得较好的分割效果,利用实验数据对比了多种常用分割算法,BPCNN算法在综合评价体系上有明显的优越性.     

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。     

一种参数自适应的简化PCNN图像分割方法

为了进一步延伸脉冲耦合神经网络（Pulse coupled neural network,PCNN）在图像分割中的应用,本文对PCNN模型作了简化和改进,并探讨和分析了参数的设置方法.首先利用阈值和脉冲输出所对应的区域均值之间的关系,提出了一种优化连接系数的方法,使得模型最终以迭代的方式得到分割结果.在仿真和真实红外图像上实验结果表明,文中方法能取得较优的分割效果,且相比于常用的阈值方法以及较新的PCNN方法,文中的简化模型对噪声及复杂图像具有更好的适应性和鲁棒性.     

基于噪声统计模型的图像分割方法

图像分割是图像特征提取和图像识别的基础和前提,是图像研究中的热点之一.本文对目前图像分割的分类、最近几年出现的新方法、新思路以及传统图像分割中对噪声的处理进行比较简要的综述,针对噪声对图像分割的影响,提出利用噪声的统计特性建立噪声统计模型改进图像分割的新方法.     

基于微分进化的PCNN图像分割方法

脉冲耦合神经网络(PCNN)是一种新型神经网络,可以应用于图像分割。然而在对PCNN的研究应用中,其模型参数的合理确定是个难点,这在很大程度上限制了PCNN的应用。针对这一问题,提出一种基于微分进化的PCNN图像分割方法。该方法使用微分进化算法来实现脉冲耦合神经网络参数的自动设定,并通过将其应用于图像分割,将分割结果与其他优秀分割方法比较,从而验证了该方案的正确性与可行性。     

基于脉冲耦合神经网络的声纳图像噪声抑制

为解决声纳图像中存在的高斯与脉冲噪声的同时去除问题,在简化的脉冲耦合神经网络(Pulse Coupled Neural Net-work,PCNN)模型的基础上,提出了一种结合了数学形态学与中值滤波的噪声抑制算法.首先利用PCNN输出二值图像确定噪声在图像中的位置,用数学形态学方法保持目标的完整性,然后利用中值滤波方法去除图像的脉冲噪声并对PCNN逐次迭代的输出结果进行调整去除高斯噪声.实验结果证明,方法在保持图像边缘信息的前提下,与其他方法相比获得了更好的去噪效果.     

基于PCNN自动波与偏态指标的图像自动分割算法

提出了一种脉冲耦合神经网络和偏态指标相结合的算法来对图像进行自动分割,主要思路是用偏态指标作为分割图像的测度,当分割输出图像的偏态指标达到最小时,分割迭代过程自动终止,从而实现了图像的自动分割。仿真试验结果验证了算法的较好效果,具有实用和推广的价值。     

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。     

一种新的基于PCNN的图像脉冲噪声滤波算法

为了更好地滤除图像中的脉冲噪声,在分析脉冲耦合神经网络(PCNN)的工作机理的基础上,在PCNN中引入了点火映射图的概念,并提出了一种新的基于PCNN点火映射图的图像脉冲噪声滤波器。该方法首先通过运行PCNN把噪声图像转化为点火映射图,然后利用点火映射图对图像中的脉冲噪声进行定位,最后仅对定位的噪声进行自适应滤波。计算机仿真实验表明,该方法的去噪效果优于传统方法,从而验证了该方法的有效性、合理性。     

一种新的基于PCNN的图像脉冲噪声滤波算法

为了更好地滤除图像中的脉冲噪声，在分析脉冲耦合神经网络（PCNN）的工作机理的基础上，在PCNN中引入了点火映射图的概念，并提出了一种新的基于PCNN点火映射图的图像脉冲噪声滤波器。该方法首先通过运行PCNN把噪声图像转化为点火映射图，然后利用点火映射图对图像中的脉冲噪声进行定位，最后仅对定位的噪声进行自适应滤波。计算机仿真实验表明，该方法的去噪效果优于传统方法，从而验证了该方法的有效性、合理性。     

图像隐藏信息与图像噪声分辨研究

针对图像经过信息隐藏与经过噪声干扰具有不同的特性,从图像隐藏信息和加噪的数学原理入手,引入图像直方图和差分直方图的模型,在图像小波分解高频系数差分直方图的数学模型基础上,利用高频系数差分数值的方差对图像是否隐藏信息或被噪声干扰进行分辨,给出了具体的计算判断方法。最后,在标准图像集上进行实验。结果表明,即使在图像直观统计参数基本相同的情况下,该方法也能明显分辨出两种不同的干扰现象,取得良好结果。     

基于PCNN的图像椒盐噪声滤除方法

传统的降噪方法在图像降噪之后会损坏图像的部分边缘细节信息,致使图像的轮廓变得模糊不清。为了达到更好的图像降噪效果,提出一种改变突触链接强度和改进阈值函数的脉冲耦合神经网络的图像降噪方法。该方法将基本脉冲耦合神经网络模型进行简化,使突触链接强度自适应取值,将阈值函数改进为分段的衰减函数,从而提高对图像不同灰度值的分辨力,并根据神经元与其周围神经元点火时间差定位噪声点,提高了算法对噪声点的辨识精确度,进而实现更好的降噪效果。实验结果表明,改进方法准确地辨识出了图像的椒盐噪声点,并且能够有效去除噪声点,同时很好地保护图像边缘细节。     

数字全息再现图像散斑噪声消除新方法

为了消除数字全息再现像中存在的相干散斑噪声,在去除噪声并保留图像细节的基础上,提出了基于小波变换的边缘保持散斑噪声去噪方法;通过分析小波变换模极大值边缘检测和基于Neyman-Pearson准则的小波阈值去噪方法的原理,提出并应用了一种数字全息再现像散斑噪声去噪方法,利用小波模极大值方法获得边缘图像,通过基于Neyman-Pearson准则的小波阈值去噪,去噪后的图像与边缘图像合并后得到最终再现图像。研究结果表明,该方法能够较好地在去除散斑噪声的同时保留图像细节。     

噪声图像边缘检测方法的研究*

对图像中常见的高斯噪声和椒盐噪声的特性进行了分析,对含有这两种噪声的数字图像的边缘检测方法进行了研究,尤其对基于顺序形态学的噪声图像边缘检测方法进行了深入的分析研究,基于顺序形态学理论提出了针对分别含有高斯噪声和椒盐噪声的图像边缘检测方法。通过仿真验证表明,对于含有以上两种噪声的图像,提出的方法不仅能够去除噪声而且能够提取出准确清晰的边缘。     

基于相似性的中智学图像分割方法

针对传统图像分割算法抗噪性差的问题,提出基于相似性的中智学图像分割方法。该方法在中智学基础上,利用图像信息的不确定性,结合相似性运算对图像信息进行处理。根据像素点的不确定性,图像在中智学领域内经相似性运算和图像增强后,利用聚类将其分割。实验结果显示,该方法可以有效剔除噪声,提高图像的信噪比,对合成图像分割错误率仅为0.110 7,低于其他方法,表明本方法在抗噪性以及图像分割效果上比其他方法更为理想。     

基于图像区域特征的自适应边缘检测

边缘检测技术的关键在于检测前的图像去噪问题。Madenda方法考虑了尖锐、模糊、噪声的影响,但在全图像范围内采用的是统一的噪声抑制参数和模糊控制参数,从而缺乏对不同区域内噪声抑制的针对性。为此,提出基于图像区域特征的自适应边缘检测方法,通过熵和对比度的计算,将原始图像逐级分解,直到达到预先设定的阈值条件。然后根据各个区域的特点,自适应地计算出相应的噪声抑制参数和模糊参数,从而达到对该区域噪声最合理的抑制,以达到最佳的边缘检测效果。实验结果表明,该方法可以有效地抑制噪声的影响,获得高质量的边缘检测图像。     

基于噪声检测的总变分去噪算法

对受高斯和脉冲混合噪声污染的数字图像去噪方法进行了研究,提出了一种基于噪声检测的自适应总变分(TV)去噪算法。提出的改进算法采用两步迭代框架实现:脉冲噪点检测和全变分图像恢复。第一步中,考虑到脉冲噪声污染的像素点不包含原图像有效信息,采用一种局部统计值,即邻域像素间的随机绝对差排序值(ROAD)估计出噪点的位置;第二步中,采用L2-TV方法进行去噪处理,并对上述过程进行迭代处理,得到去噪图像。在噪点估计过程中引入脉冲噪点水平参数,这样处理的优势在于可更准确地检测出脉冲噪点;而L2-TV去噪方法可很好地去除高斯噪声,两者结合有效地解决了TV算法存在误判图像脉冲噪声为边缘而产生假边缘的问题。与现有典型去噪方法的比较实验表明,该迭代去噪算法,即TV-ROAD算法,既能够去除混合噪声,又可以保留图像细节特征。     

一种基于小波的图像降噪方法

通过对图像的小波变换系数进行阈值操作,可有效降低噪声,但还是保留一些噪声。Wiener滤波是一种线性滤波方法,用小波阈值方法结合Wiener滤波,可进一步对图像噪声进行降噪。实验结果表明小波阈值Wiener滤波方法是一种有效的图像降噪方法,其在图像恢复上和人眼视觉上都优于小波阈值方法。     

日盲紫外图像的降噪

紫外成像技术已广泛应用于各个领域,但紫外图像中的噪声严重影响了图像的质量。分析了日盲紫外图像的噪声特点,采用多帧平均方法和时域递归滤波算法对日盲紫外图像的噪声进行了处理。仿真实验表明:这两种算法均可用于紫外图像的降噪处理,提高了图像的信噪比,特别是时域递归滤波算法。     

利用EMD的自适应图像去噪

为了在去噪的同时保证图像细节尽可能不被破坏,提出了利用经验模式分解（Empirical Mode Decomposition,EMD）的自适应图像去噪方法。对噪声图像按照列、行、左对角和右对角方向一维展开,分别进行EMD处理,采用提出的基于噪声标准差的自适应阈值对各个基本模式函数（Intrinsic Mode Function,IMF）进行局部硬阈值去噪,将去噪后的IMF进行反变换分别获得按照四个方向展开对应的去噪后图像,将它们加和平均得到去噪后图像。实验结果表明,提出的方法能够有效地去除图像的噪声并保留足够的图像细节。