一种用PCNN进行图像边缘检测的新方法

文章提出了如何用一种根据动物大脑视觉皮层同步脉冲发放现象提出的人工神经网络---脉冲耦合神经网络(PCNN—PulseCoupledNeuralNetwork)进行二值图像边缘检测的新方法。计算机仿真结果表明,使用PCNN可有效地提取被噪声污染的二值图像的边缘。对于256级的灰度图像,可先用PCNN将原始的256级灰度图像分割为二值图像,接着再用该算法进行边缘检测。     

基于PCNN的灰度图像边缘检测方法

脉冲耦合神经网络(PCNN)最初由Eckhorn根据猫大脑中视觉皮层神经元的同步脉冲(SynchronousBurst)现象而提出。由于具有一系列良好的特性,PCNN在图像处理、模式识别等领域获得了广泛的应用。文献[6]根据PCNN的传播特性提出了一种利用PCNN检测二值图像边缘的有效方法,但这种方法并不能直接用于对灰度图像的边缘进行检测。由于实际处理的图像大部分为灰度图像,因而其方法的适用性是很有限的。该文提出了一种基于PCNN的灰度图像边缘检测方法,从而直接对256色灰度图像的边缘进行提取,具有较好的适用性。实验结果表明该方法是有效的。     

基于改进PCNN的指纹图像细化算法

针对基于模板脉冲耦合神经网络(PCNN)指纹图像细化算法细化时间长、纹线断裂、细化不彻底等问题,通过增加4个细化模板,重新构造方形模板及改变细化过程,提出一种基于改进PCNN的指纹图像细化算法。实验结果表明,该算法能够较好地满足细化要求,细化彻底、速度快且纹线光滑无毛刺,能够应用于其他二值图像。     

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。     

基于PCNN和最大灰度熵图像分量的彩色图像分割

为提高彩色图像的分割效果,提出了一种最大灰度熵图像分量和脉冲耦合神经网络(PCNN)相结合的彩色图像分割方法.将彩色图像转换到符合人眼视觉特征的色调饱和度亮度(HSV)颜色空间中,选取灰度熵值最大的分量图像,用PCNN增强以增大感兴趣区域对比度,对增强后的分量图像运用PCNN进行循环分割,当二维Renyi熵值不再大于前一次的值时,终止PCNN的循环分割,获得最佳分割结果.运用多种评价指标对所分割的结果进行评价,评价结果表明:提出的算法能够有效实现对彩色图像的分割,尤其在图像细节方面,比传统的彩色图像分割方法表述得更为清晰.     

基于PCNN的二值文字空洞滤波

提出了如何用一种有生物视觉依据的人工神经网络——脉冲耦合神经网络(Pulse Coupled Nureal Network,PCNN)进行二值文字空洞滤波,即将二值文字中的空洞填满,从而便于后续的文字识别。计算机仿真结果表明,利用PCNN的脉冲传播特性,可快速而有效地将二值文字中的空洞填满,故基于PCNN的空洞滤波是一种有效的空洞滤波新方法。     

基于PCNN的多尺度对比度塔图像融合算法

基于脉冲耦合神经网络(PCNN)的基本原理,提出了一种新型的图像融合算法。新算法在对源图像进行多尺度对比度金字塔分解的基础上,将多尺度对比度金字塔作为PCNN的输入,利用PCNN的全局耦合特性和脉冲同步特性进行对比度选择以实现图像融合。新算法利用了源图像的全局特征,符合人的视觉神经系统的生理学特性,实验结果表明了新型融合算法的有效性。     

基于脉冲耦合神经网络的图像融合

该文在脉冲耦合神经网络(PCNN)基本摸型的基础上得出并行脉冲耦合神经网络群，并在此基础上提出了一种基于脉冲耦合神经网络的图像融合算法，该算法能够将多传感器获取的同一对象的多个图像融合于一幅图像中，有效模拟了人类视觉系统；最后对图像进行了实验，分析了参数的影响，得到了较好的结果。     

采用PCNN模板的二值指纹图像改进细化算法

针对传统PCNN 细化图像时存在细化不彻底、纹线的断裂、产生很多毛刺等问题,给出了一种采用PCNN并发特点对二值指纹图像进行细化的改进算法。经过分析图像细化后留下的毛刺特征,提出了几种消除模板。采用该模板能消除指纹细化后的毛刺;也有效地解决了细化不彻底的问题。利用FVC2004标准指纹图像库仿真的结果表明,指纹图像细化彻底,且能有效地消除纹线断裂和毛刺的产生。应用于指纹图像识别系统,提高了指纹的识别率。     

基于PCNN的语谱图特征提取在说话人识别中的应用

该文首次提出了一种将有生物视觉依据的人工神经网络——脉冲耦合神经网络(PulseCoupledNeuralNetwork,以下简称为PCNN)用于说话人识别领域的语谱图特征提取的新方法。该方法将语谱图输入到PCNN后得到输出图像的时间序列及其熵序列作为说话人语音的特征,利用它的不变性实现说话人识别。实验结果表明,该方法可以快速有效地进行说话人识别。该文将PCNN引入到语音识别的应用研究中,开拓了信号处理中两个极为重要的部分———语音信号处理和图像信号处理结合的新领域,同时对于PCNN的理论研究和实际应用具有非常重要的现实意义。     

Pulse coupled neural networks and its applications

This paper surveys the extensive usage of pulse coupled neural networks. The visual cortex system of mammalians was the backbone for the development of pulse coupled neural network. PCNN (Pulse Coupled Neural Networks) is unique from other techniques due to its synchronous pulsed output, adjustable threshold and controllable parameters. is Hence the uniqueness of this network utilized in the fields of image processing. The basic model of PCNN and the consecutive changes implemented, to strengthen the pulse coupled neural network are discussed initially. Then the applications of PCNN are broadly discussed. The other miscellaneous applications utilizing pulse coupled neural networks are thrown light in the last section.     

非降采样Contourlet域内空间频率激励的PCNN图像融合算法

Nonsubsampled contourlet transform (NSCT) 能够提供灵活的多分辨率分解, 具有各向异性和图像方向性扩展特点. 与原始的Contourlet相比, 它是频移不变的, 能有效克服Contourlet变换中的伪吉布斯现象. 脉冲耦合神经网络(Pulse Coupled Neural Networks-PCNN)是一种具有视觉生理学基础的神经网络, 具有全局耦合和神经元同步脉冲发放特性, 已经被成功应用于图像处理和图像融合中. 本文将NSCT与PCNN结合起来, 充分利用二者的特性. 以NSCT变换域内系数的空间频率激励PCNN神经元, 选择点火次数大的系数作为融合图像的系数, 经NSCT反变换得到融合图像. 实验表明, 本文算法无论在视觉效果还是客观评价指标上, 都优于基于小波变换、基于Contourlet变换、基于PCNN和基于Contourlet-PCNN等融合算法.     

一种基于PCNN的医学图像边缘提取方法*

边缘提取是图像处理的基础工作,如何精确、有效地提取边缘是图像处理领域相关学者讨论的热点问题,由此产生的各种边缘检测方法层出不穷并且得到了很好的应用,但这些方法都无法达到人眼识别物体边缘的精确程度。目前脉冲耦合神经网络（pulse coupled neural network, PCNN）是图像处理领域较为接近生物视觉进行图像处理的有力工具。改进基本的PCNN模型,提出了一种新的模拟生物视觉提取图像边缘的方法,该改进方法有效地利用了PCNN的特性。将该方法应用于医学图像的边缘提取,并与几种经典边缘检测算法、     

PCNN与数学形态学在图像处理中的等价关系

揭示了有生物学依据的脉冲耦合神经网络(PCNN)与数学形态学之间的本质关系，并以颗粒分析为例进行了具体的分析，得到了文中提出的PCNN颗粒分析方法完全等价于一定结构元素下的数学形态学方法的结论．研究表明，PCNN进行图像处理时用到的脉冲并行传播特性完全等同于数学形态学中一定结构元素下的腐蚀运算，从而为数学形态学与PCNN之间的研究架起了桥梁．     

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.     

PCNN模型在彩色图像增强中的应用

应用灰度图像增强方法对真彩图像进行增强,往往都会产生色彩偏离,影响增强结果和视觉效果。因此基于人眼视觉系统对亮度变化比较敏感,提出在HSV色彩空间,应用PCNN模型进行增强的方法。将真彩图像由RGB空间变换到HSV空间,保持色度H和饱和度S不变,结合入射反射模型,利用脉冲耦合神经网络（PCNN）,对亮度V通道进行增强处理。将HSV空间得到的增强图像变换到RGB空间。实验证实,对一些对比度低、细节不明显的图像应用此方法进行增强,色彩基本无偏差,细节部分明晰,动态范围压缩较好,视觉效果得到了较大的改善。     

基于脉冲耦合神经网络的图像NMI特征提取及检索方法

为了简单有效地提取图像重要特征信息, 从而更好地提高检索图像的精度, 提出了一种基于脉冲耦合神经网络(Pulse coupled neural networks, PCNN)的图像归一化转动惯量(Normalized moment of inertia, NMI)特征提取及检索算法. 首先利用改进简化PCNN模型相似神经元同步时空特性及指数衰降机制将图像分解为具有相关性的二值系列图像, 然后提取反映原始图像目标形状、结构分布二值系列图像的一维NMI特征矢量信号, 并将其应用在图像检索中; 同时, 考虑到二值系列图像间的相关性及不同图像间NMI序列值的差异性, 引入了马氏距离结合Pearson积矩相关法的 综合相似性度量方法. 实验结果表明, 所提算法对图像特征矢量序列具有良好抗几何畸变不变特性及对图像表述的唯一性,且具有较好的图像检索效果.