基于脉冲耦合神经网络的肝癌早期特征识别

在肝癌的早期诊断方面,CT仍是目前临床工作中最重要的方法,针对病变部位灰度的不同,本文采用脉冲耦合神经网络（PCNN）对获取的肝脏CT图像进行分析,从而获知肝脏的病变程度。实验证明,这种方法能够对肝脏病变进行准确的分析从而为肝脏疾病的治疗提供理论上的指导     

基于脉冲耦合神经网络的肺癌早期特征识别

在肺癌的早期诊断方面,CT仍是目前临床工作中最重要的方法,针对病变部位灰度的不同,本文采用脉冲耦合神经网络（PCNN）对获取的肺脏CT图像进行分析,从而获知肺部的病变程度。实验证明,这种方法能够对肺脏病变进行准确的分析从而为肺脏疾病的治疗提供理论上的指导。     

基于脉冲耦合神经网络的水污染监测方法研究

水污染会对生态产生灾难性的影响。针对水污染区域水面颜色的不同,本文采用脉冲耦合神经网络对获取的污染水域图像的色度、饱和度、亮度建立分析模型,从而获知水污染的程度。实验证明,这种方法能够对水污染程度进行准确的分析从而为水污染的治理提供理论上的指导。     

基于脉冲耦合神经网络的零水印算法

针对现有的零水印算法对图像的光照、旋转、位置、尺度变化较为敏感的问题,提出一种基于脉冲耦合神经网络(M-PCNN)的零水印算法。该方法模拟生物视觉的感知过程,将图像分解成由若干二值图像组成的认知序列,计算序列中的每幅二值图像的熵作为图像零水印特征。理论与实验结果表明,该方法与现有的零水印算法相比,可以描述图像的全局特征,对图像的光照、旋转、位置等变化有较强的鲁棒性,而且具有较低的维数。     

基于脉冲耦合神经网络的乳鼠心肌细胞图像增强

本文研究了脉冲耦合神经网络(PCNN)的特性及人眼视觉特征,模拟了一种用图像灰度对数替代原本PCNN输出的图像增强方法,并对乳鼠心肌细胞图像进行了增强处理。通过实验,对比图像形态学重建增强效果,本文采用的方法图像目标纹理更清晰、灰度更均匀,细节轮廓保持更完整,该图像增强方法适合处理前背景对比较明显,细节性要求较高的图像,尤其是整体灰度值较暗的情况。     

春季太湖叶绿素a浓度的光谱估算与分析评价

2011年3月27日于太湖梅梁湾和湖心区域进行光谱数据采集,同步水质理化分析数据得到叶绿素a浓度区间为4.99μg/L～31.06μg/L。基于较低叶绿素a浓度水平的实测光谱数据及同步的理化分析数据分别采用二波段模型、光谱反射率一阶微分模型、反射峰位置模型、三波段模型和四波段模型对梅梁湾和湖心区域的叶绿素a浓度进行建模遥感估算。5个模型的回归分析结果对应R2分别为0.775,0.811,0.786,0.826和0.846,RMSE分别为4.02μg/L,3.52μg/L,3.82μg/L,3.44μg/L和3.24μg/L。并针对春季较低叶绿素a浓度水平下的光谱估算模型在应用价值和精度方面做了比较评价。     

基于海岸带高光谱成像仪影像的太湖蓝藻水华和水草识别

水华与水草的同步监测对于研究湖泊水环境、生态特性以及水循环具有重要意义,相对于传统监测方法如实地调查,利用遥感手段具有大范围、长时间周期、高效率以及低成本等优势。基于海岸带高光谱成像仪HICO(Hyperspectral Imager for the Coastal Ocean)影像,利用叶绿素a光谱指数和藻蓝蛋白基线的水华和水草识别模型,提取太湖水华和水草分布图,经过检验,水华和水草的平均提取精度为93%和95%;通过水华和水草分布图的叠加分析了2010~2014年太湖水华和水草的分布规律,与相关文献的分析结果一致,进一步证实了识别方法的可靠性;将平均阈值与最佳阈值进行对比分析,提取水华与水草面积的精度分别为75.7%和84%,在对精度要求不高但对效率要求较高的情况下,可以利用平均阈值提取水华和水草,便于实现水华和水草的自动化提取及批处理。     

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。     

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。     

利用脉冲耦合神经网络的纹理图像检索方法

为提高基于内容的图像检索系统(CBIR)中纹理特征提取的有效性,进一步提升CBIR系统的整体性能。提出了一种基于脉冲耦合神经网络的纹理图像检索方法。脉冲耦合神经网络(PCNN)是新一代的人工神经网络,在数据处理上具有很多优势。特征提取时具有平移、旋转、尺度、扭曲等不变性,以及很好的抗噪性,而这一点非常适合于图像检索系统。利用PCNN及简化模型ICM得到对应于不同灰度值的二值图像序列,计算序列中每幅图像的熵序列,其一维的特征矢量作为纹理特征。采用Eu-clidean距离进行相似度计算,建立了一套基于示例查询图像的纹理图像检索系统。实验结果表明,与小波包等特征提取方法相比,该方法不仅对噪声具有较强的鲁棒性,同时能降低特征向量维数,具有尺度、平移和旋转不变性,而且能取得更高的检索率。     

改进的脉冲耦合神经网络人脸特征提取方法

针对基于子空间分解的人脸特征提取方法对人脸图像在采集过程中的光照、旋转、位置等变化较为敏感的问题,提出了一种改进的脉冲耦合神经网络人脸特征提取方法。该方法模拟生物视觉的感知过程,将人脸图像分解成由若干二值图像组成的认知序列,计算序列中的每幅二值图像的熵作为人脸特征,基于支持向量机实现分类与识别;同时克服了标准的脉冲耦合神经网络模型参数过多的缺点,识别率也有所改善。理论与实验结果表明,该方法与现有的基于子空间分解的人脸特征提取方法相比,对人脸图像在采集过程中的光照、旋转、位置等变化有较强的鲁棒性,而且具有较低的维数。     

基于简化脉冲耦合神经网络的人脸识别

基于简化脉冲耦合神经网络(S-PCNN),提出了一种新颖的人脸识别方法。首先通过对神经元振荡特性的分析,将神经元振荡时间序列(OTS)分解为捕获性振荡时间序列(C-OTS)和自激性振荡时间序列(S-OTS)。然后通过图像几何变换和振荡频图,分析了X-OTS(OTS、C-OTS和S-OTS)的鉴别特性。最后利用C-OTS+S-OTS和余弦距离测度给出了人脸识别的系统结构。人脸库中的实验结果验证了所提方法的有效性,显示了它比其它传统算法具有更好的识别性能。     

基于脉冲耦合神经网络的混沌控制

根据脉冲耦合神经网络(PCNN)能产生混沌现象,研究了对配置混沌PCNN系统的李雅普诺夫指数使其稳定于期望点的方法。根据特定期望点的情况,按需要配置负的李雅普诺夫指数,产生不同的控制序列来改变混沌PCNN系统,达到稳定控制的要求。仿真和实验结果证明了该算法的有效性,实现了混沌PCNN系统从混沌状态到稳定期望点的控制。     

基于改进型脉冲耦合神经网络的图像增强

提出一种利用区域面积调节脉冲耦合神经网络神经元的脉冲发放值的计算方法,对带噪声的模糊图像进行图像增强,在消除了噪声影响的同时,提高了边缘提取的自适应性和准确性。编程实验表明,该算法效果明显。     

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。     

基于脉冲耦合神经网络的图像融合

该文在脉冲耦合神经网络(PCNN)基本摸型的基础上得出并行脉冲耦合神经网络群,并在此基础上提出了一种基于脉冲耦合神经网络的图像融合算法,该算法能够将多传感器获取的同一对象的多个图像融合于一幅图像中,有效模拟了人类视觉系统;最后对图像进行了实验,分析了参数的影响,得到了较好的结果。     

基于简化脉冲耦合神经网络的人脸识别

基于简化脉冲耦合神经网络(S-PCNN),提出了一种新颖的人脸识别方法。首先通过对神经元振荡特性的分析,将神经元振荡时间序列(OTS)分解为捕获性振荡时间序列(C-OTS)和自激性振荡时间序列(S-OTS)。然后通过图像几何变换和振荡频图,分析了X-OTS(OTS、C-OTS和S-OTS)的鉴别特性。最后利用C-OTS+S-OTS和余弦距离测度给出了人脸识别的系统结构。人脸库中的实验结果验证了所提方法的有效性,显示了它比其它传统算法具有更好的识别性能。     

非下采样Contourlet变换和脉冲耦合神经网络相结合的遥感图像融合方法

为最优保留多光谱图像光谱信息的同时,最大限度地融入全色图像的高空间信息,该文提出了一种基于非下采样Contourlet(非自适应方向多尺度分析方法)变换和脉冲耦合神经网络相结合的图像融合的方法。根据目标融合区域地物的空间分布特点,将目标融合区域划分为边缘区域和非边缘区域,并对全色图像和多光谱图像I分量在非边缘区域进行空间域融合,融入更多多光谱图像的光谱信息。然后,对多光谱图像I分量和空间域融合后的图像进行非下采样Contourlet变换,在低频子带和高频子带分别采用区域能量和空间频率作为源图像的原始信息,驱动脉冲耦合神经网络以每个像元的点火数作为活跃性测量,对图像进行融合。实验结果表明:该算法在非边缘区很好地保持了多光谱图像的光谱信息,在边缘区融入了更多的全色图像的空间细节信息,提高了融合图像的空间分辨率。     

基于微粒群算法和脉冲耦合神经网络的图像分割算法

脉冲耦合神经网络(Pulse Coded Neural Network, PCNN)在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成很大的困难.尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割的结果影响很大.而微粒群优化算法(Particle Swarm Optimization, PSO)具有对参数自动寻优的优势,为此,将PSO和PCNN相结合,以改进的最大熵函数为适应度函数,提出了一种基于PSO和PCNN算法的图像自动分割算法.实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且参数可以自动设置,省去TAT实验的麻烦,同时分割速度也有所提高.     

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。