一种基于自组织神经网络的彩色图像分割方法

提出了1种基于自组织神经网络的彩色图像分割方法.它首先在空间-颜色联合域内利用自组织神经网络对图像进行聚类,再结合区域生长的方法和区域邻接列表,对图像中的相似颜色区域进行合并,并去除像素数量较少的小区域,从而得到最后的分割结果.在聚类后的图像上进行分割,可以较好的把1个物体对象只表示为1个或少数几个分割区域,明显减少对象物数目,较好地克服了传统区域生长方法的过分割问题.     

一种彩色图像的分割算法

本主要根据灰度图像的分裂合并算法思想,利用图像的边缘信息,提出了基于边缘的彩色图像分割算法。实现了彩色图像的分割,提出了分割算法的效率。     

一种新的基于神经网络彩色图像颜色量化方法

提出一个利用竞争Hopefield神经网络(CHNN)来进行颜色量化的新算法.它按照彩色图像像素的RGB颜色值的分布来完成调色板的设计和像素的颜色映射两项任务,从而最终完成量化工作.实验结果表明,该方法具有计算收敛速度快和图像颜色失真小等优点.     

基于颜色恒常性的彩色图像分割方法

针对图像处理及机器视觉领域中,光照不均匀而导致错误图像分割的问题,提出依据颜色恒常性原理进行图像分割的方法。利用颜色恒常性原理及ISODATA聚类分析方法保持在不同光照条件下颜色判断的一致性,消除照明位置及光照强度的影响。实验结果表明,该方法能够有效抑制因照明条件而产生的错误图像分割现象,与传统的基于边界及区域增长的图像分割方法相比,本方法具有更好的彩色图像区域分割效果。     

基于神经网络的超声医学图像自动分割

图像分割是多维超声医学图像重建中最重要和最困难的问题。文中将传统的最近邻分类方法与自组织神经网络相结合,提出了一种超声医学图像的自动分割方法。实验表明,与传统的K平均方法相比,该方法除具有自动分割优点外,还具有稳定性好,自适应强,分割准确等优点。     

基于BP网络的植物病害彩色图像的分割技术

通过颜色空间的转换,把RGB颜色空间的植物病害图像转换到HSI和YCbCr颜色空间,由于HSI和YCbCr空间的H,Cb,Cr分量与图像的亮度无关,可以有效地抑制噪声,因此选取H,Cb,Cr分量为特征值作为BP人工神经网络的输入值。网络经过训练后,对265幅病害图像进行分割,其中251幅被正确分割,分割的准确率达到94.7%,满足了诊断植物病害的前期处理要求。     

基于复杂背景的彩色图像肤色分割

在使用单个颜色空间进行肤色检测的基础上,提出利用YCbCr和YIQ两种颜色空间同时对单帧图像进行肤色提取的方法,然后对提取的图像进行像素融合和数学形态学处理.实验结果表明,这种方法在确定人脸区域时,简单快速,且减少了人脸的漏检率.     

一种生物彩色图像自动分割新方案

结合新一代神经网络———脉冲耦合神经网络和色彩空间分解技术,提出了一种对植物染色切片图像切实有效的自动分割新方案.该方案首次引入最大熵决策机制,同时充分利用了彩色图像的色彩信息,极大地提高图像分割的准确性,简化了传统算法的复杂度,缩短了运行时间,易于在实时系统上实现.实验结果表明该方案与传统的方案相比,分割结果比较准确.同时既保证了整体轮廓,又保留了重要细节.     

基于空间分割的神经网络方向估计

在空间分割的基础上，提出了采用四个独立的二次规划神经网络ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ（ＮＮ）实现方向估计的方法。通过将空间角度分割成许多细小的等分，从这些不同的角度估计出沿该角度入射信号的幅度，从而判断出目标信号的个数和方向，利用该方法设计的网络具有高速、实时的特点，计算机模拟结果表明该方法很有效。     

一种基于模型的自适应阈值分割算法

为了减少穷举式阈值分割方法中的重复计算，提出了连通域树（CCtTree)的结构与构造算法.在进行新阈值下的分割与连通域标记时，根据原阈值分割标记后得到的结果，结合新出现的连通域，以合并的方式得到新阈值分割下的连通域来减少多余的计算过程.给出了在CCTree中利用树搜索算法进行模型匹配区域搜索的方法.实际的图像库实验表明，在保证同样的模型匹配区域检出效果的基础上，基于CCTree的方法在运行时间上明显优于ETL，并能迅速有效地筛除重叠区域，获得更好的匹配区域.利用CCTree方法可以准确而快速地获得基于模型匹配的阈值分割结果.     

基于细胞神经网络的尿沉渣图像分割

针对临床尿沉渣显微图像识别问题,提出了一种新的图像预处理方法和基于细胞神经网络（CNN）的分割算法.该方法通过拉伸图像中各个像素的灰度值与局部灰度值之间的差来增强图像中目标的边界,通过对局部灰度均值的非线性变换来消除图像中光照的不均匀,进而设计出合适的CNN模板来分割图像,最终利用形态学操作得到分割结果.通过对100幅临床尿液样本图像的测试,并与传统的阈值分割法相比,该方法获得了更加连续的边界和更加准确的目标分割结果,并已集成到全自动尿液粒子分析系统中,应用于临床,取得了良好的效果.     

基于自组织神经网络的特征识别

针对CAD、CAM中的特征识别问题,在特征的属性邻接图表达方法的基础上,根据特征建立的历史过程提出了特征森林的概念,作为识别的启发式信息。采用自组织神经网络识别特征。依据识别特征的规模动态确定自组织神经网络输入神经元的维数,并给出了一种矢量化方法。实验实例证明了本文方法的有效性,从而为特征识别和维护提供了一种新的有效方法。     

PCNN模型在彩色图像分割中的应用

针对脉冲耦合神经网络(PCNN)模型主要应用于灰度图像处理的局限性,利用脉冲发生器将颜色信息引入模型作为输入,与灰度信息共同控制神经元的内部行为,控制等灰度值的不同颜色区域分期点火,实现彩色图像的精确分割.双输入PCNN模型实现了彩色图像的分割,同时保持了PCNN模型对噪声的鲁棒性,从简单的仿真图像和实际图像两方面验证了此分割方法的有效性.     

基于快速区域建议网络的图像多目标分割算法

针对传统方法在语义分割中存在大量冗余、结果重叠,造成图像分割算法的结果正确率、鲁棒性较差等问题,提出一种基于快速区域建议网络的图像多目标分割算法。使用选择性搜索(selective search, SS)算法给出初始候选框;采用快速区域建议网络从初始候选框中分类出初始分割框;使用图割算法(GrabCut)从初始分割框中分割出多目标。为了验证本研究算法,采用ImageNet上预训练的VGG16模型,分别使用COCO数据集和CityScapes数据集的训练数据对VGG16模型微调,使用测试数据进行语义分割和多目标图像分割。与YOLO(you only look once,)算法相比,本算法在两个数据集上的平均正确率分别提高了2.16%和1.55%。GrabCut算法在快速区域建议网络的初始分割框上,对多目标的分割更精确,鲁棒性更强。本研究构建的算法通过区域建议网络的得分筛选多目标分割的候选框,保留高得分的候选框来提升图像多目标分割的精度,在多目标的模式识别场合中拥有广泛前景。     

基于深度学习的遥感影像变化检测方法

为了获得可靠的训练样本及提高遥感影像变化检测的精度,提出基于深度学习的遥感影像变化检测方法. 采用结构相似性方法（SSIM）选取纹理特征（灰度共生矩阵法）,通过融合变化向量分析（CVA）方法获取不同时相遥感影像差异图（DI）及纹理特征差异图获得差异影像,并采用构造的变分去噪模型对差异影像进行去噪. 利用频域显著性方法获取去噪差异影像的显著性图,通过模糊c-均值（FCM）算法对粗变化检测图（对显著性图选取阈值获得的）进行预分类（变化类、未变化类及未确定类）. 将从遥感影像上提取的变化像素和未变化像素的邻域特征引入深度神经网络模型进行训练,并利用训练好的深度神经网络模型对差异影像进行变化检测,得到最终的变化检测图. 对3组遥感影像数据集进行变化检测实验,结果表明本研究方法的变化检测精度高于其他比较方法.     

粗糙集神经网络在图像分割中的应用

提出了粗糙集神经网络用于图像分割的方法.该方法利用粗糙集约简理论对分割后的图像区域特征进行约简,以降低特征向量维数,抽取出规则,然后根据这些规则构造神经网络隐含层的神经元个数,从而确定粗糙集神经网络的结构.粗糙集神经网络中每个神经单元的输入为区域值,输出为决策分类值,此时权值预设为各规则粗糙隶属度值,然后用BP算法迭代,最终实现图像的分割.试验证明,该方法大大缩短了训练时间,提高了精度,并且得到优于常规的分割图像以及满足图像处理的实时性要求.     

基于神经优化的最大熵图像重建算法

提出了一种基于Ｈｏｐｆｉｅｌｄ神经网络优化的图像重建算法。将图像重建问题转化为ＨＮＮ优化问题,取重建图像熵函数最大以及原始投影与再投影之间的误差平方和最小作为图像重建的优化目标,作为能量函数构造连续型ＨＮＮ模型,由ＨＮＮ能量函数极小化可得到重建问题的优化解。     

基于改进的脉冲耦合神经网络模型的图像分割

提出了一种改进的脉冲耦合神经网络(Receptive field-pulse coupled neural net-works,RF-PCNN)模型。通过感受野模型对连接矩阵的优化,使脉冲耦合神经网络(Pulsecoupled neural networks,PCNN)模型具有了方向性和尺度性,能够更好地模拟视觉细胞图像分割的功能。试验结果表明:RF-PCNN模型对自然环境中车辆图像分割的有效性,分割结果具有较高的边界检出率,较好地解决了图像分割中车牌区域存在的欠分割和过分割问题。