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。     

基于灰度迭代阈值脉冲耦合神经网络的图像分割

为有效分割图像,提出了灰度迭代阈值脉冲耦合神经网络(GIT-PCNN)。GIT-PCNN简化了传统PCNN模型,将其指数衰减的阈值改进为图像的灰度迭代阈值。GIT-PCNN分割图像时无需进行参数和循环次数选择,也无需使用特定原则确定循环结束条件,一次点火过程完成分割。GIT-PCNN分割图像时充分利用了图像的灰度信息和PCNN特有的空间邻近及像素灰度值相似集群发放脉冲提供的图像局部位置信息。实验结果表明,GIT-PCNN在主观及客观的分割性能和速度上均优于经典的PCNN分割方法。     

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。     

基于微分进化的PCNN图像分割方法

脉冲耦合神经网络(PCNN)是一种新型神经网络,可以应用于图像分割。然而在对PCNN的研究应用中,其模型参数的合理确定是个难点,这在很大程度上限制了PCNN的应用。针对这一问题,提出一种基于微分进化的PCNN图像分割方法。该方法使用微分进化算法来实现脉冲耦合神经网络参数的自动设定,并通过将其应用于图像分割,将分割结果与其他优秀分割方法比较,从而验证了该方案的正确性与可行性。     

基于图像处理技术的混凝土路面裂缝检测方法

为了提高公路混凝土路面病害的检测效率,采用图像处理技术实现了路面裂缝的自动识别和病害参数的自动提取。首先通过阈值分割法检测出路面裂缝,根据线性和网状裂缝图像背景连通域数量的差异,采用区域标记法计算背景连通域的数量实现了裂缝分类;其次根据线性裂缝几何形态的差异性,通过投影法实现了横、纵和斜向裂缝的细分;最后对线性裂缝提取裂缝骨架并细化求出其长度、平均宽度等病害参数;对于网状裂缝通过求其最小外接矩形计算其破损面积。     

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。     

弧焊机器人焊缝图像分割方法研究

提出了脉冲耦合神经网络（PCNN）图像分割的一种新方法,首次使用点火频率矩阵的二值矩阵作为图像分割的最终结果,给出了在此过程指导下PCNN参数选择原则,降低了PCNN对参数的依赖性,提高了图像分割的效果。将该方法运用于石油井架弧焊机器人焊缝图象的识别中起到很好的效果。     

一种参数自适应的简化PCNN图像分割方法

为了进一步延伸脉冲耦合神经网络（Pulse coupled neural network,PCNN）在图像分割中的应用,本文对PCNN模型作了简化和改进,并探讨和分析了参数的设置方法.首先利用阈值和脉冲输出所对应的区域均值之间的关系,提出了一种优化连接系数的方法,使得模型最终以迭代的方式得到分割结果.在仿真和真实红外图像上实验结果表明,文中方法能取得较优的分割效果,且相比于常用的阈值方法以及较新的PCNN方法,文中的简化模型对噪声及复杂图像具有更好的适应性和鲁棒性.     

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。     

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。     

Object detection using pulse coupled neural networks

Describes an object detection system based on pulse coupled neural networks. The system is designed and implemented to illustrate the power, flexibility and potential the pulse coupled neural networks have in real-time image processing. In the preprocessing stage, a pulse coupled neural network suppresses noise by smoothing the input image. In the segmentation stage, a second pulse coupled neural-network iteratively segments the input image. During each iteration, with the help of a control module, the segmentation network deletes regions that do not satisfy the retention criteria from further processing and produces an improved segmentation of the retained image. In the final stage each group of connected regions that satisfies the detection criteria is identified as an instance of the object of interest.     

一种改进阈值分割的荧光磁粉裂纹提取算法

荧光磁粉探伤是一种广泛使用的铁磁性材料表面裂纹检测技术，但荧光磁粉图像中的反光区域和噪声将给裂纹检测带来困难。为消除反光及噪声的影响，精确获得裂纹目标，提出了一种改进阈值分割的荧光磁粉裂纹提取算法。该算法根据G通道分离和自适应中值滤波算法对图像进行预处理，降低反光区域和噪声对裂纹检测的影响。结合图像梯度和相位一致性构建联合分布直方图，根据最大熵算法确定裂纹分割的阈值，得到裂纹候选区域。通过迭代式裂纹连接算法对裂纹进行修补，得到完整的裂纹目标。实验结果表明，针对荧光磁粉裂纹图像，该算法能够在噪声干扰、反光遮挡和低亮度裂纹条件下获得完整准确的裂纹目标，且裂纹提取的正确率可达96.94%。     

遥感图像变化检测算法研究

提出了一种基于非下采样Contourlet变换和脉冲耦合神经网络的无监督的不同时相的卫星影像的变化检测新算法。该算法将非下采样Contourlet变换和脉冲耦合神经网络这两种方法结合,将它应用于不同时相的卫星影像的变化检测。实验结果表明,与传统方法相比,对于高斯和斑点噪声,该算法具有更高的抗噪性能和检测精确度。     

基于DenseNet分类的隧道裂缝检测研究

针对隧道裂缝人工识别低效、检修不便以及隧道环境复杂多变、检测易受噪声干扰等问题,文中提出一种基于深度学习的裂缝检测算法。通过神经网络对原始图像进行非裂缝区域过滤,减少无关背景信息的干扰,同时在分割算法基础上通过多维分类器将误识别的裂缝区域剔除。实验结果表明,密集连接卷积网络（DenseNet）在裂缝分类中最高可达99.95%的准确率,有效提升了隧道裂缝自动检测精度。     

基于增强卷积神经网络的路面裂纹检测

为了提高路面裂纹检测的效率以及精度,将增强卷积神经网络引入路面裂纹图像识别中。首先,采用线性灰度变换对原始图像进行预处理,减少噪声对识别的影响。接着经过结构设计,算法训练以及实验样本测试几个步骤后,建立了路面裂纹识别模型。最终通过在Matlab实验显示,建立的识别模型能够有效地对路面裂纹进行识别,识别率可达92.8%。实验结果表明相比于其他算法,本算法具有效率高、结果准确等优势,能够满足工程需求。     

基于遗传神经网络的机场跑道局部影响的裂缝检测算法

针对机场跑道裂缝的自主识别和提取过程中存在的阴影、光照不均匀以及效率和精度难以兼顾等一系列问题,提出利用遗传算法优化神经网络的机场道面裂缝检测算法。首先,将拍摄的机场道面裂缝图像进行预处理,包括图像灰度化、高斯滤波以及ROI区域确定。设定神经网络拓扑结构,初始化编码长度以权值阈值及等参数,利用选择、交叉和变异等操作反复执行至最佳进化解,进而搭建匹配的神经网络,获得最大分割阈值。结果表明,遗传神经网络算法在综合评价、召回率、和准确率3个评价指标上均具有显著提升,其均值分别为93.22%、96.28%、90.75%,实现了在复杂背景下对裂缝提取的目标,为机场道面的后期维护和保养提供了技术支持。     

基于改进U-net模型的路面裂缝智能识别

路面裂缝快速检测及响应是道路养护部门的一项重要工作,然而传统的裂缝检测方法耗时且准确度低。因此,本文基于改进后的U-net模型实现对路面裂缝精准地自动识别。结合Canny边缘检测、Otsu 阈值分割算法和人为干预手段研发一款半自动标注软件,用以实现路面裂缝的像素级标注。研究以路面2D激光图像为数据集,并在此基础上通过数据增强进行数据集样本扩充,从而构建模型训练原始样本库;在实验分析阶段,使用交叉熵损失函数判断预测值与真实值的误差大小,并结合Adam 算法优化模型。研究表明改进后的U-net模型在识别精度及泛化能力上均优于原U-net模型及全连接神经网络模型。该研究将为道路养护管理部门的路面病害快速检测提供技术支撑,从而利于快速响应、采取措施保证路面的行车安全。     

基于遗传神经网络的图像分割

提出一种基于遗传神经网络的图像分割方法.该方法利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后用神经网络算法迭代实现图像的分割.通过实验证明:该方法与传统的图像分割方法相比,具有更好的图像分割效果;与BP神经网络相比,训练速度得到很大的提高.