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.     

克隆选择算法和ICM的图像自动分割方法研究

交叉皮层模型是一种简化的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN),该模型保留了PCNN的脉冲耦合、发放同步脉冲、变阈值、产生脉冲波等重要特性,但调节参数比PCNN少,被认为具有比PCNN更加良好的图像处理能力。针对ICM模型图像分割效果取决于各个参数的优化调节,提出了一种克隆选择算法和ICM模型的图像自动分割算法。该算法的克隆选择算子以自适应方式调节,以最大信息熵作为亲和度函数,速度快,全局搜索效率高,实现了图像的自动分割。仿真表明,该算法有效可行。     

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。     

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。     

优化的PCNN自适应三维图像分割算法*

脉冲耦合神经网络(pulse coupled neural network,PCNN)对图像分割具有天然的优势,但是传统的PCNN模型参数难以确定,且算法耗时多。对多种PCNN模型进行研究改进,并利用统计学知识提出了一种精简高效的自适应三维分割算法。将其用于脑部磁共振成像(magnetic resonance imaging,MRI)图像的分割,把脑组织分成白质、灰质和脑脊液。与标准PCNN、传统的Otsu阈值方法、SPM8工具箱及专家手动分割结果的对比实验表明,该自适应算法具有精确性、高效性。     

脉冲耦合神经网络与最大相关准则的图像分割

基于脉冲耦合神经网络（Pulse Coupled Neutral Network,PCNN）模型,提出了一种基于Canny算法的图像预处理方法,增强了图像的模糊边缘,提高或抑制了对应神经元的相似群捕获能力,利用最大相关准则确定神经元的衰减阈值和实现神经元相似群捕获强度的控制,避免了神经元完全捕获对分割图像的过平滑,成功实现了灰度图像的自动分割。该方法得到的分割图像取得了较好的结果,体现了更多细节,与相关文献相比,大大减少了神经元参数对分割结果的影响。     

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。     

基于遗传算法和简化PCNN神经网络的裂缝检测方法*

为能够在复杂背景下检测裂缝、分析裂缝图像特征,由脉冲耦合神经网络(pulse coupled neural networks, PCNN)的运行特征和神经元的状态变化分析简化PCNN模型,将简化PCNN模型用于裂缝图像的目标检测。针对PCNN无法确定裂缝图像的最优检测以及脉冲门限具有非线性因子的问题,提出了一种基于遗传算法(genetic algorithm, GA)和简化PCNN的裂缝图像检测方法。该方法采用最小误差准则作为遗传算法的适应度函数,并且根据遗传算法具有全局最优解的特点确定简化PCNN中各因子的值,实现了简化PCNN的裂缝图像自动分割。将本文方法与不同的分割方法对实际裂缝图像的处理结果进行比较,通过区域对比度、准确率和召回率等客观指标进行定量分析,表明了该方法对裂缝图像检测的有效性与通用性。     

结合自适应免疫克隆算法和PCNN的图像分割方法

脉冲耦合神经网络在图像处理中需要通过多次调整参数才能获得比较好的图像处理效果.为此提出了一种结合免疫克隆算法的PCNN参数自动判定算法,提出的方法将PCNN的参数设置问题转化为基于免疫克隆算法的参数优化问题,将图像熵值作为免疫克隆算法最佳适应度的评判依据,从而达到PCNN在图像处理中参数自适应调整的目的.同时,在免疫克隆算法中引入自适应算子和梯度操作来影响部分抗体的进化,以保持群体的活性,打破群体信息陷入局部最优的状况.实验表明,提出的算法实现了PCNN参数的自适应调整,图像分割效果优于比较的多种图像分割算法.     

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。     

Automatic adjustment of the pulse-coupled neural network hyperparameters based on differential evolution and cluster validity index for image segmentation

The pulse-coupled neural network (PCNN) is a cortical model that can be used in image segmentation applications. The performance of the PCNN depends on adjusting its hyperparameters, where population-based metaheuristics, such as evolutionary algorithms, have been used to perform this task by optimizing a fitness function. In this regard, the entropy criterion is a common fitness function used to evaluate the quality of potential PCNN solutions. However, maximizing the entropy is related to maximize the inter-group separation, but the intra-group cohesion is unconsidered. In this regard, a cluster validity index (CVI) can be used as a fitness function, which defines a relationship between inter-group separation and intra-group cohesion. Therefore, we propose using a CVI to quantify the segmentation quality generated by the PCNN given a set of hyperparameters adjusted by the differential evolution algorithm. The proposed approach is tested on a dataset of natural images, where every image has three reference segmentations; thus, the Jaccard index is used to measure the segmentation performance. The experimental results reveal that a simplified PCNN, when used jointly with the Silhouette index, obtains the best performance with a mean Jaccard value of 0.77, whereas the entropy criterion attains 0.41. Additionally, the proposed approach is tested on two modalities of medical images to show its applicability in other kinds of images. The results suggest that using a CVI instead of the entropy criterion can improve the segmentation performance of the PCNN.     

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。     

U-Net与自适应阈值脉冲耦合神经网络相结合的眼底血管分割方法

由于眼底血管结构复杂多变,且图像中血管与背景对比度低,眼底血管分割存在巨大困难,尤其是微小型血管难以分割.基于深层全卷积神经网络的U-Net能够有效提取血管图像全局及局部信息,但由于其输出为灰度图像,并采用硬阈值实现二值化,这会导致血管区域丢失、血管过细等问题.针对这些问题,提出一种结合U-Net与脉冲耦合神经网络(P...     

群智能算法优化的结合熵的最大类间方差法与脉冲耦合神经网络融合的图像分割算法

针对最大类间方差准则下的图像分割结果携带原图信息量不足、实时性差和脉冲耦合神经网络（PCNN）模型中循环迭代次数难以确定的问题,提出了群智能算法优化的结合熵的最大类间方差法（OTSU-H）与PCNN融合的自动图像分割算法。首先,充分利用图像的灰度分布信息和相关信息,将图像信息中冗余度、竞争性以及互补性有效地融合,构造二维和三维观测空间,提出了OTSU-H准则的快速递归算法;其次,将快速递推算法的目标函数分别作为布谷鸟搜索（CS）算法、萤火虫算法（FA）、粒子群优化（PSO）算法和遗传算法（GA）四种群智能算法的适应度函数;最后,将优化之后的OTSU-H引入PCNN模型中自动获取循环迭代次数。实验结果表明,与原始的最大类间方差法（OTSU）、最大熵准则以及基于图论分割、像素的聚类分割和候选区域语义分割的图像分割算法相比,所提算法具有较好的图像分割效果,同时降低了计算复杂度,节约了计算机的存储空间,具有较强的抗噪能力。所提算法时间损耗少、不需要训练的特性使得算法的运用范围较广。     

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.