基于视觉信息的PCNN参数自适应设定及模型改进

脉冲耦合神经网络(PCNN)参数决定该模型在数字图像处理领域的应用.现阶段网络参数自适应设定是依据图像统计信息或网络自身结构.基于此,提出基于生物视觉信息的PCNN参数自适应设置方法及模型改进.该方法通过对生物视觉感知理论与PCNN网络性质的分析,揭示了视觉感知理论与PCNN网络参数M、W和β的同源性,给出依据视觉感知模型自适应设定PCNN网络参数W、M和β的方法,并设计出具有生物视觉特征的PCNN改进模型.实验验证了该模型的几何不变性,在基于内容的图像检索领域取得了良好效果.     

基于模糊熵的改进型PCNN图像分割方法

针对传统的PCNN在图像分割中需要设定大量的参数,并且分割的最佳迭代次数无法自动确定等问题,简化了传统PCNN模型的接受部分,改进了PCNN的连接部分,改变了PCNN的阈值衰减方式,并利用最大模糊熵作为最佳分割迭代次数的判定准则,提出了一种新的PCNN改进模型,从而实现了PCNN的自动精确分割.对各类图像的实验结果表明,该方法能够自动确定循环迭代次数和自动选取最佳阈值,与基于最大香农熵的PCNN分割方法相比,该方法具有收敛速度快、分割精度高、分割效果好等特点.     

结合最大方差比准则和PCNN模型的图像分割

脉冲耦合神经网络（PCNN）模型在图像分割方面有着很好的应用。在各项参数确定的情况下,其分割结果的好坏取决于循环迭代次数的多少,而PCNN模型自身无法实现迭代次数的自动判定。为此提出一种结合最大方差比准则的PCNN迭代次数自动判定算法,用于实现图像的自动分割。算法利用最大方差比准则找到图像的最优分割界限,确定PCNN的迭代次数,获得最优图像分割结果,然后利用最大香农熵准则验证分割结果。实验表明：提出的算法实现了PCNN迭代次数的自动判定,提高了PCNN的迭代速度,运行效率优于基于2D-OTSU和基于交叉熵的自动分割算法,图像分割效果良好。     

无耦合PCNN频域特性分析

脉冲耦合神经网络（PCNN）模型具有脉冲调制和耦合连接特性,广泛应用于数字图像处理领域。然而现有PCNN模型的研究都是从时域或图像本身包含信息角度分析参数与模型特性之间的关系,无法全面解释参数对模型特性的影响。从PCNN模型的迭代方程出发,利用离散系统频域分析方法从频域角度对无耦合PCNN模型进行分析,揭示无耦合PCNN模型的动态门限子系统具有低通特性,并确定网络参数a_E的选取范围,同时通过对脉冲发放时刻公式进行推导,得到参数v_E的选取范围。采用傅里叶变换方法分析单个神经元的脉冲发放频率特性和动态门限衰减频率特性,解释无耦合PCNN模型的参数对频域特性的影响。仿真实验结果验证了该理论分析结论的正确性,从频域角度理解无耦合PCNN模型的参数与模型特性之间的关系,为挖掘PCNN模型特性提供一种新的方法。     

基于灰度迭代阈值PCNN的眼底图像血管分割

针对传统的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）模型中参数众多且不易自动选取,迭代次数结束条件不好确定的问题,提出了一种基于灰度迭代阈值脉冲耦合神经网络的眼底图像血管分割方法。该方法简化了传统PCNN模型,将其单一的神经元兴奋性链接输入改进为神经元兴奋性与邻域抑制性链接输入之和;同时将其随时间指数衰减的阈值改进为图像的灰度迭代阈值,分割图像时无需人工设置参数,无需特定准则确定最佳迭代次数,一次迭代完成分割。对DRIVE眼底图像库的实验结果表明,该方法在主观视觉效果及客观分割性能和运算耗时上均明显优于传统PCNN方法。     

基于改进PCNN和互信息熵的自动图像分割

脉冲耦合神经网络(PCNN)由于其良好的脉冲传播特性在图像分割中得到了广泛应用。针对其需要人机交互通过实验确定其相关参数等问题,改进PCNN模型,以像素对比度作为链接矩阵,以互信息作为迭代终止的判决依据,提出基于改进脉冲耦合神经网络的自动图像分割。实验结果表明,该方法实时性好、自适应性强,分割出的目标轮廓清楚。     

基于克隆选择算法的PCNN参数自动选取算法研究

在对PCNN的实际应用中,其模型参数的合理确定是一个难点。克隆选择算法作为一种新型的进化算法,凭借其优越的寻优特性,可以实现对目标参数的自动优化选取。本文提出一种基于克隆选择算法的PCNN模型参数自动设定方法,提高了PCNN模型的应用效率。通过将其应用于图像分割进行仿真实验,验证了该方案的正确性与可行性。     

一种基于交叉熵的改进型PCNN图像自动分割新方法

脉冲耦合神经网络(PCNN)是20世纪90年代形成和发展的一种新型神经网络。为了自动地进行精确的图像分割，在基于图像处理的前提下，对现有的PCNN模型进行了改进，即从原始图像与分割图像的目标之间、背景之间的差异性出发，提出了一种基于最小交叉熵准则的改进型PCNN图像分割新方法。通过计算机仿真，该方法能够自动确定循环迭代次数和自动选取最佳阈值，并与基于最大香农熵的PCNN分割方法进行了比较。实验结果表明，该方法优于香农熵准则PCNN分割，其不仅对图像分割精度高，而且具有较强的适用性。     

基于改进的PCNN多目标图像分割算法

脉冲耦合神经网络(Pulse-coupled neural network,PCNN)可有效地用于图像分割.为获得满意分割效果,PCNN需要选取适当的参数,目前其参数往往通过反复试凑确定.针对这一问题,基于改进的PCNN模型,提出结合图像灰度直方图,以最大交叉熵函数作自适应遗传算法的适应度函数,采用自适应遗传算法搜索最优门限阈值函数的图像分割算法.实验结果表明,该算法可以有效地实现多目标图像分割,且分割效果优于多阈值Ostu算法.     

一种优化脉冲耦合神经网络模型及在图像分割中的应用

针对目前脉冲耦合神经网络(PCNN)神经元模型参数主要通过人工设定问题,以简化参数为目的将PCNN模型的调制参数β与连接权矩阵K简化为链接系数矩阵W,提出一种优化PCNN神经元模型。该模型应用于图像分割时,充分利用图像本身空间和灰度特性自动确定链接系数,实现对图像的有效分割。实验结果表明,所提方法可以有效对图像进行自动分割,其分割效果优于Otsu方法、人工调整PCNN参数方法。     

A coarse-to-fine strategy for iterative segmentation using simplified pulse-coupled neural network

Pulse-coupled neural network (PCNN) has significant characteristics for potential high-performance image processing including image segmentation. However, segmentation accuracy is dependent on the values of network parameters. To overcome the difficulties caused by parameter settings, this paper simplified the original PCNN in terms of input and dynamic neural threshold. In the model, the generalized adjustable neural threshold is defined, and the relationship between parameters and such available information as previous output and image static properties is established. A coarse-to-fine strategy is then employed for further keeping the characteristic of the synchronous pulse, enabling the model to control the behavior of neighboring neurons. This strategy also ensures that the parameters are adjusted properly and facilitates the automatic control of the result through iteration. Finally, experiments on some synthetic and real infrared images show that the proposed model can promote segmentation capability. Furthermore, the proposed model is superior to the traditional thresholding methods and some existing PCNN-based models in terms of segmentation performance and parameter settings.     

一种基于QPSO的脉冲耦合神经网络参数的自适应确定方法

针对目前脉冲耦合神经网络(PCNN)神经元模型中的参数主要通过人工定义的问题,提出一种基于量子微粒群优化(QPSO)算法的PCNN参数自动确定方法,并分析该算法的时间复杂度。该方法利用PCNN分割后的图像熵作为QPSO算法的适应度函数,在解空间中自动搜索PCNN中待确定参数的最优值,提供一种PCNN神经元模型中的参数自动确定方法。将该方法应用于图像分割时,以互信息量作为图像分割评价标准。仿真结果表明文中方法实现正确的图像分割,其性能优于Otsu方法、人工调整PCNN参数方法、遗传算法优化方法和微粒群优化方法,表现出较好的鲁棒性。     

基于脉冲耦合神经网络的图像分割

针对传统脉冲耦合神经网络(PCNN)模型在图像分割时需要设置较多参数和不能准确分割低对比度图像的问题,提出一种简化的PCNN模型和改进算法。在简化模型中减少了在传统PCNN模型中需要设置的参数的数量;在改进算法中根据图像像素空间和灰度特征自适应设置模型参数,并根据图像灰度直方图求出灰度期望均值作为图像分割阈值,因此该算法无需选择 循环迭代次数,只需一次点火过程就能实现图像的有效分割。实验结果表明,该方法能准确分割图像,纹理细节清晰,分割结果优于人工调整参数的PCNN方法和Otsu方法。     

脉冲耦合神经网络自适应图像融合算法研究

作为一种新型的神经网络模型,脉冲耦合神经网络（PCNN）已经在众多领域得到了应用。针对现有脉冲耦合神经网络图像融合算法存在的不足,提出了一种新的自适应PCNN图像融合算法。提取原始待融合图像的互补特征作为PCNN的外部输入,并通过提取待融合图像的对比度特征自适应确定PCNN的链接强度参数;分析了传统PCNN获取最优图像融合结果的方法,探索性地将结构相似度引入到PCNN融合结果的评价中,为PCNN最优融合结果的获取提供了很好的借鉴作用。通过红外和可见光等图像的仿真实验结果表明,提出的融合算法是有效的。     

基于PCNN和遗传算法相结合的新型混凝土桥梁裂缝检测方法

针对混凝土桥梁裂缝对比度低、裂缝图像噪声干扰强等难题,提出了基于脉冲耦合神经网络(PCNN)和遗传算法相结合的混凝土桥梁裂缝检测新算法(GA-PCNN)。该算法首先利用遗传算法优化裂缝PCNN模型参数,然后通过改进的最小对数误差适应度函数区分裂缝与背景,当适应度值大小几乎无变化时,停止分割图像,最后通过连通域去噪算法滤除残余噪声,实现裂缝的自动检测。比较GA-PCNN、PCNN和基于熵和动态阈值算法对裂缝图像的分割效果,并绘制PR曲线和ROC曲线评价分割质量,经计算GA-PCNN算法的PR和ROC曲线下面积为90.6%和91.6%,分别高于PCNN算法10.1%和6.8%、基于熵和动态阈值6.5%和6.7%。试验的结果表明：GA-PCNN新算法分割效果好且去噪能力强,该算法能准确地提取混凝土桥梁裂缝特征。     

An improved pulse coupled neural network for image processing

To develop new image processing applications for pulse coupled neural network (PCNN), this paper proposes an improved PCNN model by redesigning the linking input, activity strength, linking weight, pulse threshold and pixel update rule. Two typical image processing examples based on such a model, namely fingerprint orientation field estimation and noise removal, are presented for explaining how to use the PCNN and determine parameters in image processing. Experiments show that the improved model is quite useful, and the PCNN-based approaches achieve better image processing results than the traditional ones. This work was supported by National Science Foundation of China under Grant 60471055 and Specialized Research Fund for the Doctoral Program of Higher Education under Grant 20040614017.     

一定条件下PCNN动态行为的分析

近年来,具有生物学背景的脉冲耦合神经网络(PulseCoupledNeuralNetwork,PCNN)引起越来越多研究者的注意,在图像处理领域得到广泛的应用,对其展开研究具有重要的理论意义及应用价值,但目前相关的研究还远不够深入。至今尚未发现公开发表的研究PCNN动态行为的论文,而对PCNN动态行为展开研究是进一步拓展其应用的基础。该文依次具体分析了由两个乃至多个神经元构成的PCNN在一定条件下的动态行为,得到以下结论:一定条件下,PCNN的脉冲发放形式是周期性振荡的,其动态行为也是周期性振荡的。同时给出了每个振荡周期内各个神经元只点火一次的条件。     

A region-based multi-sensor image fusion scheme using pulse-coupled neural network

For most image fusion algorithms split relationship among pixels and treat them more or less independently, this paper proposes a region-based image fusion scheme using pulse-coupled neural network (PCNN), which combines aspects of feature and pixel-level fusion. The basic idea is to segment all different input images by PCNN and to use this segmentation to guide the fusion process. In order to determine PCNN parameters adaptively, this paper brings forward an adaptive segmentation algorithm based on a modified PCNN with the multi-thresholds determined by a novel water region area method. Experimental results demonstrate that the proposed fusion scheme has extensive application scope and it outperforms the multi-scale decomposition based fusion approaches, both in visual effect and objective evaluation criteria, particularly when there is movement in the objects or mis-registration of the source images.     

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.