一种基于简化PCNN的自适应图像分割方法

近年来的研究表明,脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效地用于图像分割.然而对于不同图像,常需要选取适当的网络参数,以得到有效的分割结果.但是,目前网络参数的选取还主要停留在人工调整和确定阶段,尚无一种能够根据图像本身特性自动确定参数的方法,这在很大程度上限制了PCNN的应用.针对这一问题,本文提出了一种基于简化PCNN的自适应图像分割方法,通过利用图像本身空间和灰度特性自动确定网络参数,实现对不同图像的分割.实验结果表明,本文算法可以有效地对不同图像进行自动分割,具有一定的健壮性.     

一种新的基于双层PCNN的自适应图像分割算法

提出一种新的基于双层脉冲耦合神经网络（PCNN）的自适应图像分割算法。双层PCNN的前级以简化PCNN模型为基础,获得区域生长的种子;后级采用区域生长机制,征募区域内灰度相似像素,完成前级种子的生长。新算法PCNN的关键参数可自适应更新,避免了传统PCNN参数设置难的问题;区域生长机制强化了PCNN的区域特性。实验结果...     

一种基于改进型PCNN的织物疵点图像自适应分割方法

 针对传统脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)模型中网络参数多、不易自动选取的问题,本文在对PCNN模型进行改进的基础上,提出了一种基于改进型PCNN织物疵点图像自适应分割方法.采用了一种基于分割区域内均匀度差异最小作为最佳迭代次数判断标准,从而有效地满足了PCNN对织物疵点图像的自动分割要求.通过对不同疵点图像分割实验证明了算法对疵点分割的准确性和有效性.     

一种参数自适应的PCNN图像分割算法

文章利用用粒子群优化(PSO)算法优化脉冲耦合神经网络(PCNN)的参数,其中将从训练图像中提取熵和能量的比值作为PSO的适应度函数,提出了一种参数自适应的PCNN图像分割方法。最终通过Matlab仿真实验证明了该方法具有较好的分割性能,该方法不但能够正确地完成图像分割,而且也省去了人为设置PCNN参数的麻烦。     

基于最大熵和PCNN的图像分割新方法

针对脉冲耦合神经网络(PCNN)无法确定最优分割以及脉冲门限具有非线性因子的问题,提出了一种基于最大熵和脉冲耦合神经网络的新型图像分割算法.该算法采用线性方式动态调整脉冲门限,采用最大熵确定PCNN网络的循环迭代次数,并引用均值滤波的思想对PCNN的接收部分进行了改良,以克服噪声对分割过程的影响.实验结果表明该方法能获得视觉效果较好的分割结果并具有较强的普适性.     

PCNN图像分割技术研究

在图像处理中,精确的图像分割可以加快后续的处理工作,具有更好的应用性。根据近些年提出的脉冲耦合神经网络模型在图像分割中的应用,给出其在图像分割中的基于熵函数、准则函数、参数调整和改进的脉冲耦合神经网络模型的4种方法,并对各个方法进行了综述。最后根据模型的基本特性和文献进展情况,给出脉冲耦合神经网络模型在图像分割中未来的研究方向。     

一种新的基于PCNN的图像自动分割算法研究

脉冲耦合神经网络(PCNN)非常适合图像分割.在参数确定的情况下,分割效果随迭代次数呈周期性变化.因此确定最佳迭代次数是运用PCNN进行图像自动分割的关键.本文提出一种基于连通域计算的边缘统计算法,用于评价迭代结果的有效边缘.最大有效边缘值所对应的迭代输出即为最佳分割.实验证明,该算法比基于图像熵和基于边缘算子的算法灵敏度高,抗噪声能力强.     

一种基于脉冲耦合神经网络和图像熵的自动图像分割方法

90年代发展形成的脉冲耦合神经网络（PCNN）模型特别适合于图像分割、边缘提取等方面的应用研究，但众所周知，PCNN模型图像分割效果不但取决于PCNN模型中各个参数的合理选择，而且同时还取决于循环迭代次数的确定选择准则，通常循环迭代次数N的选择通过人工交互方式来确定。正因为如此选择合适的准则来确定N是PCNN图像分割的关键，但目前还没有文献提出一个合适的准则来解决这个问题。本文结合图像统计特性和PCNN参数模型提出了熵值最大准则。该准则实现了PCNN神经网络的自动图像分割。对于PCNN的理论研究和实际应用具有非常重要的现实意义。     

基于简化的PCNN与类内最小离散度的图像自动分割方法

提出了一种基于简化的PCNN与类内最小离散度相结合的自适应图像分割方法,在每次迭代时将脉冲耦合神经网络点火的神经元对应的像素作为目标,未点火的神经元对应的像素作为背景,计算目标和背景的类内离散度,取类内离散度最小的分割图像作为最终结果.实验结果表明,本文算法可以有效地对不同图像进行自动分割,是一种可行的与有效的图像分割方法.     

基于简化PCNN模型的结构光图像自动分割方法

针对CCD获取的结构光图像因大尺寸、光照不均匀,一般分割方法容易产生过分割或欠分割,提出了一种简化的脉冲耦合神经网络(PCNN)分割方法。将结构光图像进行分块,降低光照对分割质量的影响。每块子图像采用改进的PCNN模型自动进行分割。PCNN采用线性方式动态调整脉冲门限,以最小交叉熵确定其迭代次数,并利用邻域像素间的关系自动调整连接系数,减少人工干预。通过主客观评价指标对分割结果进行了比较,结果表明,提出的算法可以有效地分割出结构光图像中的条纹及点阵模式,目标边缘光滑、连贯和清晰,可以用于结构光图像的分割处理。     

一种改进型脉冲耦合神经网络及其图像分割1

本文结合人类视觉系统(HVS)对图像信息含量区域敏感度不同这一特性,以神经元接近点火程度的一致性描述图像空间邻域所含的信息量,对通常的脉冲耦合神经网络模型(PCNN－Pulse Coupled Neural Network)进行了改进,提出了一种基于改进PCNN的图像自适应分割算法.该算法根据象素及其周边区域的信息量大小发放不同值的脉冲,从而自适应地将图像分为多个不同等级的高低信息区域,较好地仿真了人类视觉系统特性.最后对用这种方法进行图像分割的结果进行基于信息量的图像压缩,在压缩比和重建图像主观视觉感知质量上均达到了良好的性能,表明了本文算法的可行性和有效性.     

基于PC-MSPCNN模型和SLIC的彩色图像分割方法

针对简单线性迭代聚类(SLIC)方法对图像边缘细节处理效果不佳的问题,提出一种参数可控、改进的简化脉冲耦合神经网络模型(PC-MSPCNN)与SLIC结合的彩色图像分割方法.该方法首先改进MSPCNN模型的加权矩阵和连接系数,并增设辅助参数,以提高分割准确度.随后将彩色图像输入至PC-MSPCNN模型中,依据改进模型中...     

基于PCNN图像分割新算法

在原有PCNN的基础上提出一种新的参数自适应PCNN模型,该模型中的各参数均由像素点本身决定,而不受人为的外界干涉,因此,该算法在图像处理领域有较好的运用价值。此外提出另一类分割判定准则——最大相关系数判定准则。最后通过对3种不同的图像分割实验结果分析后得出。该算法和最大相关系数判定准则在图像分割领域中具有较强的适应性和较好的辅助意义。     

自适应PCNN多聚焦图像融合

脉冲耦合神经网络（PNNN）型参数多,计算复杂,并且通常选取经验常数作为链接强度,这极大地限制了PCNN的普遍适用性.针对该问题,在分析PCNN模型基本特征的基础上,结合多聚焦图像的基本特点提出了一种基于PCNN的自适应多聚焦图像融合新方法.该方法在PCNN简化模型的基础上既将拉普拉斯能量作为PCNN对应神经元的链接强度β,又将其作为PCNN对应神经元的反馈输入经过PCNN点火从而获得每幅参与融合图像的点火映射图,最后通过选取适当的融合规则获得融合图像.实验结果表明了该方法的有效性,这种有效性不仅体现在视觉效果上,而且体现在客观评价标准上.     

基于NSCT和PCNN的可见光与红外图像融合算法

提出了一种基于Contourlet变换的非下采样变换(Nonsubsampled ContourletTransform,NSCT)和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的可见光与红外图像融合算法。该算法首先对源图像进行NSCT分解,得到低频子带系数和各带通方向子带系数。然后对低频子带系数提出一种基于可见光与红外图像自身特性的加权平均融合方法,再对各带通子带系数提出基于PCNN的融合方法。最后经过NSCT逆变换得到融合图像。实验证明,该方法优于小波方法和传统的NSCT方法。     

基于改进脉冲耦合神经网络的电路板红外图像分割

电路板红外图像发热芯片区域准确分割是电路板故障诊断的关键步骤,但灰度不均匀、目标区域多、辐射噪声大使电路板红外图像的准确分割变得较为困难。针对这一问题,本文提出一种改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)红外图像分割模型。首先,调整传统PCNN的模型结构,将图像梯度信息作为输入信号增加到模型输入域;其次,基于最大似然估计原理,推导出链接系数β的动态调整方法;最后,在脉冲发生域引入边缘约束算法,防止邻域神经元误捕获,增强目标区域的可分割性。实验结果表明,改进模型能够有效降低背景及辐射噪声影响,准确分割出不同类型电路板红外图像目标芯片区域,在视觉效果、区域一致性和对比度方面均优于已知的Ostu、K-means和传统PCNN模型,分割性能得到明显增强。