基于非下采样contourlet变换与脉冲耦合神经网络的图像融合算法

提出一种基于非下采样contourlet变换(NSCT)与脉冲耦合神经网络(PCNN)的图像融合算法.该方法首先利用非下采样eontourlet变换对输入图像进行多尺度分解、多方向稀疏分解,准确捕获图像中的高维奇异信息,然后利用脉冲耦合神经网络的同步激发特性确定融合规则,选取融合系数,提高融合性能.实验结果表明,算法比小波变换、contourlet变换有更好的融合性能.     

基于改进的简化脉冲耦合神经网络的煤矿井下图像去噪方法

针对传统图像去噪方法易使图像模糊和丢失边缘信息等问题,根据煤矿井下视频图像光度不均、噪声较大的特点,提出采用基于改进的简化脉冲耦合神经网络对煤矿井下图像进行去噪处理。对简化的脉冲耦合神经网络模型中神经元连接强度β的选取方法进行改进,使β依赖于图像像素灰度值,从而更加有效地去除椒盐噪声;对动态门限的衰减时间常数αE的选取方法进行改进,使αE依赖阈值输出的放大系数vE,减少整个模型的参数,并通过实验选取vE值。实验结果表明,与传统的中值滤波、均值滤波方法相比,基于改进的简化脉冲耦合神经网络的去噪方法不仅有效去除了矿井图像的椒盐噪声,而且很好地保持了图像的边缘等细节特征。     

基于区域特征的非下采样Contourlet变换卫星云图融合

对不同的卫星云图进行融合处理,可为灾害性天气的监测和预警提供更为全面的信息,提出一种基于区域特征的非下采样Contourlet变换(NSCT)卫星云图融合新方法。首先,采用NSCT对卫星云图进行多尺度和多方向分解,得到低通子带系数和各带通方向子带系数;然后,对低通子带系数采用基于图像区域相关系数和区域能量的自适应融合规则,对各带通方向子带系数采用加权和区域方差相结合的融合规则;最后,对融合系数进行NSCT逆变换得到融合云图。实验结果表明,该算法在增强融合云图的纹理及边缘等细节信息的同时,能更好地保留源红外云图的红外信息,融合效果更好。     

基于简化脉冲耦合神经网络的图像融合实验

将基于NSST域的简化脉冲耦合神经网络(Simplified Pulse Coupled Neural Network,SPCNN)模型应用到图像融合中.文章选取一组医学图像(CT和MRI)和一组遥感图像(可见光和红外),分别采用SPCNN算法和传统算法进行图像融合对比实验.实验结果表明,SPCNN算法在主观视觉方面得到较好的效果,还提高了算法运行速率,保留了更多的图像细节信息.     

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。     

新的眼底图像配准方法的研究

针对传统的基于特征的眼底图像配准方法配准精度不高的问题,提出了一种新的眼底图像配准方法。通过具有仿射不变性的尺度不变特征变换（Scale Invariance Feature Transform,SIFT）方法提取待配准图像的特征点匹配对。采用适合眼底图像特点的曲面变换模型,实现图像的配准,变换模型参数通过M估计获得。实验结果表明,该算法提高了配准精度,对正常眼和非正常眼的眼底图像配准都是有效的。     

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...     

基于NSCT图像文字信息提取新方法

采用了非下采样Contourlet变换(NSCT)与动态阈值二值化相结合的方法对图像内的文字信息进行提取。首先对图像进行空间多分辨率变换,再利用NSCT得到图像的高频子带信息和低频子带信息。因高频子带含有丰富的纹理细节信息,而低频子带则含有图像的概貌信息,故将低频子带去除,再结合K-means算法对高频子带进行分类和能量变换,并选取动态阈值对子带进行二值化处理,筛除背景信息。最后综合各分辨率图像的实验结果进行定位,得到了文字区域。实验结果表明该方法能够准确捕获图像文字区域,提取得到理想的图像文字信息,并且具有对文字大小以及噪声鲁棒性好,对图像通用性强的优点。     

Fault diagnosis based on pulse coupled neural network and probability neural network

In operation of mechanical equipment, fault diagnosis plays an important role. In this paper, a novel fault diagnosis method based on pulse coupled neural network (PCNN) and probability neural network (PNN) is presented. The shape information of shaft orbit provides an important basis for fault diagnosis. However, the feature extraction and classification of shaft orbit is difficult to realize automation. The PCNN technique has excellent performance in the feature extraction. In the present study, a PCNN combined with roundness method is used to extract the feature vector of shaft orbit, because time signature from a PCNN has the property of insensitive to rotation, scaling and translation. Meanwhile, roundness is also with the same properties. Further, the PNN is used to train the feature vectors and classify the vibration fault. By comparison with the back-propagation (BP) network and radial-basic function (RBF) network, the experimental result indicated the proposed approach achieved fast and efficient fault diagnosis.     

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.     

非下采样Contourlet变换与脉冲耦合神经网络相结合的SAR与多光谱图像融合

由于获取地物波谱信息的波段范围及成像方式的不同,SAR与多光谱图像所得到的信息有很大差异,而且SAR图像会受到严重的相干斑噪声干扰,因此SAR与多光谱图像的融合很难获得满意的效果。考虑到非下采样Contourlet变换(NSCT)相比于其他多尺度几何分析方法的优势,提出了一种NSCT与脉冲耦合神经网络(PCNN)相结合的SAR与多光谱图像融合方法。源图像首先经过NSCT分解获得不同尺度多个方向下的分解系数,将分解系数的高斯拉普拉斯算子能量作为脉冲耦合神经网络模型的输入,具有较大点火频率的系数将被选择作为融合图像的系数,最后经过NSCT重构得到最终的融合图像。实验结果表明,这种算法无论在主观视觉还是在客观指标上都要优于之前的许多算法。     

NSCT域内结合相位一致性激励PCNN的多聚焦图像融合

针对传统脉冲耦合神经网络（PCNN）无法准确提取多聚焦图像聚焦区域的问题,提出一种利用相位一致性（PC）来检测图像清晰区域,并结合PCNN的多聚焦图像融合算法。首先,利用非下采样轮廓波变换（NSCT）对源图像进行多尺度分解,分别得到图像的高频子带和低频子带;其次,通过计算高频系数的空间频率值（SF）与低频系数的相位一致性值来提取图像高低频子带中的聚焦区域;然后,将SF与PC作为PCNN外部激励来刺激PCNN神经元点火,分别对图像高低频系数进行融合;最后,利用逆NSCT得到最终融合图像。实验采取多聚焦图像Clock、Pepsi和Lab作为三组实验数据集,与传统融合算法及新近提出的几种算法进行对比,所提算法的客观评价参数：互信息、边缘信息度、信息熵、标准差和平均梯度的数值均大于或十分接近于对比算法的最大值;同时从实验结果图与源图像的差值图中可以发现所提算法的差值图包含源图像清晰区域的痕迹明显更少。实验结果表明所提算法能更加准确地提取出图像的清晰区域,更好地保留图像的边缘与纹理等细节信息,得到更好的融合效果。     

The remote sensing image enhancement based on nonsubsampled contourlet transform and unsharp masking

To restrain pseudo‐Gibbs phenomenon, low contrast and blurred phenomenon in the process of image enhancement, a new method based on the nonsubsampled contourlet transform and the unsharp masking is proposed in this paper. The proposed method utilizes the shift‐invariance of nonsubsampled contourlet transform to restrain the pseudo‐Gibbs phenomenon, and then enhance details of the image by unsharp masking. We achieved an increase in image definition by 54.5%, the mean increased by 15.6%, whereas the standard deviation increased by 54.5% compared with the unsharp masking method. To the noisy image, we achieved an increase in image definition by 35.4%, the mean increased by 2.2%, whereas the standard deviation increased by 34.9% compared with the unsharp masking method. Copyright © 2013 John Wiley & Sons, Ltd.     

基于神经网络与对比度的多聚焦图像融合技术

提出了一种基于小波对比度和神经网络的多聚焦图像融合算法。首先对各源图像进行小波变换,根据变换后系数计算出图像的小波对比度,选取源图像部分区域小波对比度作为前馈神经网络的训练样本,调整神经网络权重;然后用训练好的神经网络组合融合图像的小波系数,对组合后的系数进行一致性校验;最后对该系数进行小波逆变换,得到融合图像。实验结果表明,该算法能够较好地解决多聚焦图像融合问题,生成的融合图像效果优于传统图像融合方法。     

一种基于脉冲耦合神经网络的语音情感识别新方法

针对汉语语音情感识别问题,提出了一种基于脉冲耦合神经网络(PCNN)的识别方法。该方法将语音转化为语谱图后输入到PCNN,得到输出图像的神经元点火序列及其熵序列作为语音情感的特征,利用其特征实现语音情感识别。实验结果表明,该方法可以有效地识别“高兴”与“平常”这两种不同的情感。该方法将PCNN引入到语音情感识别的应用研究中,开拓了语音和图像信号结合处理的新领域,同时对于PCNN的理论研究和实际应用具有重要的现实意义。     

利用脉冲耦合神经网络进行图像置乱效果评价

提出了基于脉冲耦合神经网络的图像置乱加密效果评价新方法。脉冲耦合神经网络直接来自于哺乳动物视觉皮层神经细胞的研究,已在图像处理的众多领域得到了广泛应用。首先利用脉冲耦合网络实现图像特征提取,然后分析置乱前后两图像所提取特征向量之间的差异程度,最后构造了图像置乱效果评价函数。实验结果表明,提出的评价方法是能够较好地刻画图像的置乱程度,反映了加密次数与置乱程度之间的关系,与人的视觉基本相符。而且对于不同的图像,该评价方法能在一定程度上反映所用的置乱变换在各置乱阶段的效果。     

非下采样三通道不可分小波的多聚焦图像融合

针对可分小波多聚焦图像融合方法存在的不足,提出了一种基于非下采样三通道不可分小波的融合方法。根据不可分小波理论,构造了一组3通道4×4的不可分小波滤波器组,并把此滤波器组应用于多聚焦图像融合中。实验结果表明,该方法对多聚焦图像的融合有较好的融合效果,其融合性能好于采用相同融合算法的基于张量积小波的融合方法。     

基于自适应池化的神经网络的服装图像识别

针对传统池化方式不能提取有效特征值的问题,提出根据池化域的尺寸、池化域内的元素值和网络的训练轮数调整池化结果的自适应池化方法,该算法依据插值原理与最大值池化模型构建函数,以特定函数值作为池化结果,然后利用交叉验证进行模型对比实验。同时提出了小样本调优法以解决目前依靠经验值在全部数据集上验证选取超参数效率较低的问题。在原始数据集上,按照分层抽样的规则抽取小样本,并基于小样本数据集对已编码的超参数组合循环训练并测试,通过对识别率最高的组合解码确定最优超参数。选用DeepFashion数据库进行相关实验,结果显示自适应池化模型的识别率达到83%左右,与最大值池化模型相比提高约2.5%。通过小样本选定超参数,并与随机组合超参数在原始数据集上进行对比实验,结果显示小样本调优法选择的超参数在经验值范围内最优,识别结果为86.98%,与随机组合超参数的平均识别率相比提高了约41.4%。自适应池化方法可以扩展到其他的神经网络中,小样本调优法对高效选取神经网络的超参数提供了依据。     

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。     

Multi-focus image fusion based on nonsubsampled compactly supported shearlet transform

Multimedia Tools and Applications - Multi-focus image fusion, which aims to combine multi-focus images of a scene to construct an all-in-focus image, has become a major topic in image processing....