基于脉冲耦合神经网络的彩色图像滤波新方法

通过对脉冲耦合神经网络(PCNN)工作机理的分析,建立一个在HIS色彩空间上的一种基于脉冲耦合神经网络的彩色图像去噪算法及模型.计算机仿真表明采用基于PCNN的矢量中值滤波法能够有效去除图像中的噪声,并且能够更好地保护图像细节,较传统彩色图像去噪方法有较明显的优越性.     

新的强高斯噪声自适应滤波方法

为有效去除严重的高斯噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络（PCNN）的自适应去噪方法。根据PCNN神经元的点火捕获特性,定位受强噪声污染的像素,并采用类中值滤波对强噪声点进行滤除;基于无连接脉冲耦合神经网络（PCNNNI）的点火时刻矩阵自适应选择滤波方法平滑弱噪声点。实验结果表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。     

基于PCNN的脉冲噪声滤波算法

鉴于噪声点和边缘点具有相似性,传统中值滤波、均值滤波很难对其进行区分,容易造成图像细节丢失。本文通过分析总结脉冲噪声的特点及脉冲耦合神经网络(PCNN)的工作机理,提出了一种基于PCNN的脉冲噪声滤波算法。首先利用PC-NN的脉冲传播特性检测出原始图像的噪声点和边缘点,然后利用噪声点和边缘点不同特点对其进行判断区分,若为噪声点进行中值滤波,边缘点则不做处理。实验结果表明该方法不但能有效的去除图像中的脉冲噪声,而且能很好的保护图像细节信息且提高了去噪后图像的峰值信噪比。     

基于脉冲耦合神经网络的声纳图像噪声抑制

为解决声纳图像中存在的高斯与脉冲噪声的同时去除问题,在简化的脉冲耦合神经网络(Pulse Coupled Neural Net-work,PCNN)模型的基础上,提出了一种结合了数学形态学与中值滤波的噪声抑制算法.首先利用PCNN输出二值图像确定噪声在图像中的位置,用数学形态学方法保持目标的完整性,然后利用中值滤波方法去除图像的脉冲噪声并对PCNN逐次迭代的输出结果进行调整去除高斯噪声.实验结果证明,方法在保持图像边缘信息的前提下,与其他方法相比获得了更好的去噪效果.     

图像椒盐噪声的自适应滤波算法研究

为有效去除严重的椒盐噪声、更好地保护图像细节,提出了一种基于改进脉冲耦合神经网络（PCNN）的自适应去噪方法。根据PCNN神经网络的点火时刻矩阵,对受噪声污染的像素进行定位,仅对噪声像素进行类中值滤波,实现了图像细节的有效保留;根据噪声强度的估计信息,自动进行滤波次数和滤波窗口尺寸的优选,实现了图像的强自适应滤波。实验表明,与传统去噪方法相比,该方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。     

一种新的基于PCNN的图像脉冲噪声滤波算法

为了更好地滤除图像中的脉冲噪声,在分析脉冲耦合神经网络(PCNN)的工作机理的基础上,在PCNN中引入了点火映射图的概念,并提出了一种新的基于PCNN点火映射图的图像脉冲噪声滤波器。该方法首先通过运行PCNN把噪声图像转化为点火映射图,然后利用点火映射图对图像中的脉冲噪声进行定位,最后仅对定位的噪声进行自适应滤波。计算机仿真实验表明,该方法的去噪效果优于传统方法,从而验证了该方法的有效性、合理性。     

一种新的基于PCNN的图像脉冲噪声滤波算法

为了更好地滤除图像中的脉冲噪声，在分析脉冲耦合神经网络（PCNN）的工作机理的基础上，在PCNN中引入了点火映射图的概念，并提出了一种新的基于PCNN点火映射图的图像脉冲噪声滤波器。该方法首先通过运行PCNN把噪声图像转化为点火映射图，然后利用点火映射图对图像中的脉冲噪声进行定位，最后仅对定位的噪声进行自适应滤波。计算机仿真实验表明，该方法的去噪效果优于传统方法，从而验证了该方法的有效性、合理性。     

有效去除图像混合噪声的方法

脉冲耦合神经网络PCNN具有良好的脉冲传播特性,可以用于图像的边缘检测;多级中值滤波是对中值滤波的改进,具有较好的保护图像细节的作用;均值滤波是一种成熟的能较好滤除图像高斯噪声的方法.该算法充分结合上述3种算法的优点,先运用PCNN算法对被混合噪声干扰的图像进行边缘检测,然后利用多级中值滤波和均值滤波方法进行滤波处理.对不同的混合噪声进行滤除的实验结果表明本文算法较中值滤波和均值滤波方法有较大提升.     

基于PCNN的图像高斯噪声滤波的方法

针对图像高斯噪声的特点，提出了基于PCNN的图像高斯噪声的滤波新方法。通过对脉冲耦合神经网络运行机理的分析，指出网络中神经元间的捕获特性本身在一定程度上起着对图像的滤波作用，并介绍了该滤波方法的去噪能力和特点。为进一步适应图像滤波的需要，对PCNN的硬限幅函数加以了改进。最后给出了仿真实验的结果，验证了该方法的有效性。     

基于可变步长PCNN赋时矩阵高斯噪声滤波

提出了一种用脉冲耦合神经网络(pulse-coupled neural network,PCNN)赋时矩阵定位噪声、分类滤波并能自适应调整灰度补偿步长的高斯噪声滤波方法。使用PCNN求得含噪图像的赋时矩阵,再在滤波窗口中根据目标像素与周围像素的点火时刻关系确定噪声点,对噪声点分4类滤波:增加、减少可变灰度步长,维纳滤波和中值滤波,最后对图像维纳滤波平滑小噪声点。实验结果表明,该算法能有效去除噪声且较好保持图像的边缘细节,与同类高斯滤波方法进行峰值信噪比、信噪比改善因子比较,验证了算法的有效性。     

简化型PCNN 的混合噪声图像滤波算法研究

针对脉冲噪声和高斯噪声构成混合噪声的特点,提出了一种基于简化型脉冲耦合神经网络( Pulse Coupled Neural Network,PCNN) 滤波算法,利用了简化模型的几个技术特性,适当的选取参数,并在算法中结合了形态学方法、中值滤波和维纳滤波,该算法相对于均值滤波和中值滤波算法来说具有更好的抑制混合噪声干扰的能力,能较好地保持图像的边缘和细节信息。通过大量实验证实,应用简化型PCNN 滤波算法对滤除灰度图像所受混合噪声的效果较好。在与其他算法的比较中,该算法优于传统的滤波算法,不但能有效地滤除混合噪声,并且计算量适中,具有较好的实时性,同时随着图像受混合噪声污染程度的增大,优势更加明 显。     

基于改进简化PCNN模型的椒盐噪声滤波方法

针对PCNN简化模型在图像滤波中存在的问题,首先运用反证法证明PCNN简化模型在图像椒盐噪声检测时对低亮度的椒噪声检测失效;然后采用分而治之的方法对PCNN简化模型进行了改进,得到一种改进的PCNN简化模型;最后利用改进的PCNN简化模型检测图像的污染程度,确定噪声的具体位置,自适应地确定中值滤波窗口的大小,实现图像的自适应中值滤波。实验结果表明,此方法提高了噪声检测的准确性、图像滤波的保真性,对不同密度的椒盐噪声都有较好的滤波性能。     

基于改进脉冲噪声检测的新型滤波算法*

通过分析脉冲噪声图像的数值特征,为了快速和准确地滤除图像脉冲噪声并能很好地保持图像的细节,提出了基于改进脉冲噪声检测的灰度图像和彩色图像非线性自适应滤波算法。该算法首先通过改进的噪声检测方法把图像中的噪声点标志在噪声标志矩阵中,然后采用改进中值滤波方法并有限制地自适应调整滤波窗口对灰度图像中的脉冲噪声给予有效滤除。在此基础之上,分别采用该方法对彩色图像的三个RGB子图像进行单独滤波,然后利用通道融合技术得到最终的彩色滤波图像。经过实验仿真并与国内外相关文献提出的算法相比,本方法不仅思想简单、快速、易于实现     

基于脉冲耦合神经网络的自适应图像滤波

为有效滤除灰度图像中的椒盐噪声并保留图像的边缘及细节信息,提出一种简化的阈值单向衰减脉冲耦合神经网络(PCNN)点火矩阵自适应图像滤波方法,简化的PCNN结构减少了所需参数并提高了运算速度。该方法通过对PCNN点火矩阵的分析,定位出被噪声污染的像素,只对噪声像素进行滤波,因而有效地保留了图像的细节信息;并根据椒盐噪声的特点,动态估计图像的噪声强度,自适应地选择滤波窗口的大小和滤波次数。实验结果表明提出方法较常见的图像降噪方法在滤波效果、自适应性及保留图像细节方面有明显的优势。     

Image shadow removal using pulse coupled neural network

This paper introduces an approach for image shadow removal by using pulse coupled neural network (PCNN), based on the phenomena of synchronous pulse bursts in the animal visual cortexes. Two shadow-removing criteria are proposed. These two criteria decide how to choose the optimal parameter (the linking strength /spl beta/). The computer simulation results of shadow removal based on PCNN show that if these two criteria are satisfied, shadows are removed completely and the shadow-removed images are almost as the same as the original nonshadowed images. The shadow removal results are independent of changes of intensities of shadows in some range and variations of the places of shadows. When the first criterion is satisfied, even if the second criterion is not satisfied, as to natural grey images that have abundant grey levels, shadows also can be removed and PCNN shadow-removed images retain the shapes of the objects in original images. These two criteria also can be used for color images by dividing a color image into three channels (R, G, B). For shadows varying drastically, such as the noisy points in images, these two criteria are still right, but difficult to satisfy. Therefore, this approach can efficiently remove shadows that do not include the random noise.