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。     

基于脉冲耦合神经网络和施密特正交基的一种新型图像压缩编码算法

自从脉冲耦合神经网络(PCNN)被提出以来,在图像处理、模式识别、人工智能等领域得到了广泛应用.由于其生物学背景的特性,使得其能够对灰度图像进行完美的分割:PCNN局部连接域的作用及阈值指数衰减特性,使得具有近似灰度特性的邻近像素能够同时处于激活状态,这就构成了PCNN分割特性的基础,使得图像分割结果既能较好地包含原始图像细节信息,又能避免一些无意义的小分割块的产生.借鉴施密特正交化思想,利用自然初始基对每一分割区域进行变换,得到一组正交基的变换系数,相对于分割前图像的数据量大为减少,存储空间需求小,从而实现了压缩.相对于JPEG算法,该方法使重建图像的质量得到显著提高,同时也使得逐步重建图像成为可能.     

一种基于PCNN的图像噪声消去方法

提出了一种基于PCNN(脉冲耦合神经网络)的图像椒盐噪声消去方法,针对椒盐噪声的特点,根据PCNN集群点火特性,结合邻域均值滤波器较好地进行了图像平滑.试验证明,该方法不仅能够有效地去除椒盐噪声,对图像纹理和边缘的保护也较好.     

基于脉冲耦合神经网络的图像分割方法研究分析

文章研究了基于PCNN模型的图像分割。该方法利用PCNN模型有类似的灰度值与神经元对应可以同时发出脉冲的特征,保留图像的区域信息,显示了更多分割目标的细节信息,文章采用Lena图、Coins图以及经过模糊处理以后的Bike图进行了图像分割,并与最大类间方差Ostu分割方法进行了对比。实验结果表明,脉冲耦合神经网络分割方法利用最小的迭代次数、最快的分割速度,在图像的细节、轮廓以及去模糊方面实现了良好的分割效果。     

一种基于PCNN算法的图像选点滤波方法

提出了一种新的基于脉冲耦合神经网络算法的图像选点滤波方法,首先介绍了脉冲耦合神经网络算法模型,分析了噪声的特点。然后提出新的算法：用脉冲耦合神经网络构造图像像素点火时间矩阵,根据时间矩阵判别该点应采取怎样的滤波算法。最后通过图像质量评价方法对实验结果作了分析,结果证明该方法有效可靠,能够抑制高斯噪声和脉冲噪声。     

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...     

基于HSV空间优化耦合参数PCNN的人眼定位方法

为解决人眼定位中受光照、人脸姿态、人眼开闭影响的问题,提出了一种HSV空间肤色模型与优化耦合参数的脉冲耦合神经网络(Pulse Coupled Neural Network PCNN)相结合的人眼定位算法。将RGB空间图像转化为HSV空间图像,根据肤色检测人脸图像,利用优化耦合参数PCNN模型良好的捕捉特性及衰减特性,对图像进行分割,提取出人眼范围,利用形态学运算对图像进行增强处理,去除背景干扰,精确定位人眼。实验结果表明,本算法在不同光照条件,不同人脸姿态,人眼闭合均能成功定位,且具有定位准确、速度快、不受人眼开闭程度影响的特点。     

利用脉冲耦合神经网络的高光谱多波段图像融合方法

针对高光谱图像波段众多、数据量大的特点,提出了一种基于脉冲耦合神经网络（Pulse Coupled Neural Networks, PCNN）模型的高光谱多波段图像融合方法.根据高光谱图像多输入的特点对原始PCNN模型进行了扩充,采用多通道PCNN模型来对输入图像进行非线性融合处理.通过分析传统变阈值衰减模型的特点及其不足,提出了修正的变阈值指数增加模型,以改善融合效果和降低PCNN运行的时间复杂度.利用记录点火时刻的赋时矩阵得到带有一定增强效果的融合结果图像.实验结果表明,该方法的融合效果要优于传统的主成分分析融合方法和小波变换融合方法.     

基于PCNN分层聚类迭代的故障区域自动提取方法

为了在电力设备红外图像中较好地检测故障区域,提出一种基于分层聚类迭代的红外图像故障区域自动提取方法.在该方法中,首先以脉冲耦合神经网络(Pulse-coupled neural network,PCNN)作为红外图像处理核心模型,通过设置PCNN模型内在参数以及引入聚类机理,使得模型在迭代过程中可将整个图像划分成多个具有相似特性的区域.在此基础上,通过计算各个层点火区域均值以及对均值大小进行排序,然后针对灰度值较高的点火区域,结合边界检测算子并利用相似度评价方式对相邻区域进行合并处理,实现红外图像中热故障区域的有效提取.最后对真实红外图像进行测试并对比现有的一些方法,验证文中方法对热故障区域提取的有效性和适用性.     

基于脉冲耦合神经网络的图像分割应用分析

文章论述脉冲耦合神经网络模型的图像分割算法,探索脉冲耦合神经网络模型的简化和算法改进,旨在减少脉冲耦合神经网络模型中参数数量,提高图像分割处理效率和分割效果.并借助Girl属性图像来进行仿真验证,通过与OTSU算法、Level set算法进行对比分割效果,从客观和主观两个层面来论证该文算法的有效性及可行性,发现该文算法...     

基于标记脉冲耦合神经网络的乳腺肿块分层检测方法

乳腺X线图像中的肿块检测是乳腺癌早期诊断的重要手段。该文提出了一种新的肿块检测方法。将脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)与标记符相结合设计了标记PCNN图像分层方法,继而利用多同心层 (Multiple Concentric Layers, MCL)模型得到可疑区域。最后,借助肿块的形态学特征剔除假阳性区域得到最终的肿块。实验结果表明,该文方法在保证假阳性率(False Positive Rate, FPR)的同时,肿块真阳性率(True Positive Rate, TPR)达到92.08%。同时针对东方女性致密型乳腺案例中检测结果明显优于MCL方法和MCA方法。     

基于神经网络的性别识别方法

针对目前性别识别方法中的人体第二性特征提取困难、识别率低、鲁棒性差等问题,提出了一种基于神经网络的性别识别方法,并得到了基于人脸图像的性别识别分类器。文中先将人脸图像进行高斯滤波,再将预处理后的图像归一化用于训练BP神经网络,以得到性别识别分类器,最后将分类器与传统的性别识别方法进行比较。实验结果表明,通过文中方法实现了人体第二性特征自动提取,提高了分类器的容错能力和识别率,增强了鲁棒性。     

粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法研究

针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法.通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点.实验研究亦表明了上述优点.     

强混叠模式下基于神经元捕获/抑制原理的分类器设计

目前的许多分类器设计方法,如多层感知器网络(MLP)、支持向量机(SVM)、相关向量机(RVM)、径向基函数网络(RBF)等,实际是非线性映射加线性分类的方法,即将输入空间的非线性可分问题经非线性映射到另一空间,在那一空间实现线性分类.本文则开拓性的运用脉冲耦合神经网络神经元的点火捕获的思想,提出了一种基于耦合神经元点火捕获/抑制特性的分类器设计方法,使一类样本对应神经元总是较其它类样本对应神经元先点火以实现对样本的有效分类.所设计的分类器可实现对样本空间中任意复杂分布训练样本的非线性稳健分类,特别是有效实现复杂混叠模式的模式稳健分类,大量复杂混叠模式分类问题的仿真实验验证了本文方法的有效性和可行性,并应用于微波暗室实测一维距离像数据的自动目标识别中.     

分形细胞神经网络用于联想记忆

本文提出了分形细胞神经网络，并成功地应用于联想记忆，从模拟结果看，分形细胞神经网络的联想记忆能力好于Ｂａｒａｍ提出的分形神经网络。     

基于线性神经网络处理圆度误差

圆度误差是机械零件及其互换性的重要指标,是产品质量的关键,这里提出一种基于线性神经网络计算圆度误差的方法.神经网络是一种非线性动力系统,具有运算和自适应的学习能力.本文首先分析线性神经网络的基本原理和实现方法,然后介绍利用神经网络进行圆度误差计算的详细方法,最后给出实验结果.仿真实验结果表明,本文介绍的方法可以有效、正确地评价圆度误差.该方法克服了利用最小二乘法评价圆度误差的局部收敛问题.     

基于神经网络的超宽带视距传播时间重构

在室内环境下,针对传统的基于到达时间、到达时间差和信号强度的定位算法受多径和非视距的影响不能满足定位精度需要的问题,提出了一种利用超宽带信号,由神经网络重构出视距传播距离,再利用Taylor算法进行目标定位的方法。结果表明对于训练数据和非训练数据,该方法的定位均方根误差都在1 m以下,能有效提高定位精度。     

基于遗传神经网络的入侵检测方法研究

首先介绍了人工神经网络和遗传算法的基本原理，进行分析后将这两种方法相结合提出一种GABP遗传神经网络算法及其实现过程，并将其应用于入侵检测中，和传统的BP神经网络相比具有较好的效果。     

基于PNN的舵机故障诊断方法研究

随着科技的发展,舵机在不断提升性能的同时,其复杂性也大幅度提高,故障现象与故障本身并非简单的映射关系,设备故障诊断实质上是典型的复杂非线性分类问题。提出一种利用概率神经网络对舵机故障分类的方法,将从舵机振动信号中的提取特征值作为PNN的输入参数,构造出基于概率神经网络的舵机故障诊断方法。仿真结果显示,该网络工作稳定,运算速度快,对舵机故障分类准确率较高。     

融合遗传算法与BP神经网络的气象威胁度建模与评估

针对无人飞行器航迹规划中的气象威胁要素模糊性强、复杂多变等特点,提出一种融合遗传算法与BP神经网络的气象威胁度评估方法。利用遗传算法的全局寻优能力优化BP神经网络的初始参数及结构,结合GA-BP神经网络对气象威胁度进行建模与评估。通过Matlab仿真验证,结果表明该方法能够准确评估气象威胁度,与BP神经网络相比,具有更快的收敛速度、更好的全局收敛性,提高了评估效率与准确度。