基于前向神经网络和Hopfield反馈神经网络的边界检测法

提出了一种新的基于前向神经网络和ｏｐｆｉｅｌｄ反馈神经网络的边界检测法,它分别探测每个象素点是否为边界点,便于实现边界检测的并行运算。首先讨论了两层前向神经网络来增强的编码被检测象素点邻域的信息,然后利用增强和编码后的邻域图象作为Ｈｏｐｆｉｅｌｄ反馈神经网络的输入,Ｈｏｐｆｉｅｌｄ神经网络收敛时得到图象边界点。这种新的神经网络边界检测法所需的计算量比传统的Ｈｏｐｆｉｅｌｄ网络边界检测法少得多,并增     

基于自适应堆滤波的边界检测

从被噪声干扰的图象中提取边界是图象测试与分析的关键之一。通常需要先滤除图象中的噪声，再用边界检测算子求出边界。本文介绍了一种边界直接检测法，即将边界检测与噪声滤波相结合，它是基于自适应堆滤波的边界检测法。首先非线性堆滤波器用于求出图象某象素点邻域内的灰度最大值与最小值的最优估计，然后以此两估计值之差代替原象素点灰度值。最后对之二值化求出边界。本文根据最小平均绝对误差准则，采用自适应方法求解堆滤波器。这种方法类似于线性自适应滤波器的ＬＭＳ方法，先任设一初始堆滤波器，利用期望图象与合噪声图象对堆滤波器进行迭代训练，最后求出最优化的自适应堆滤波器。文章最后给出了采用自适应堆滤波法求取图象边界的试验结果，表明这种方法可以有效地抑制各种分布的噪声干扰。     

堆栈滤波的递归实现

堆栈滤波器是一类能够有效滤除脉冲类噪声,同时能较好地保护图象边缘与细节的非线笥滤波器,它所具有的 阈值分解和堆栈两个重要性质保证了滤波过程可以在二进制域并行实现,虽然ＭＡＥ（平均绝对误差）准则下最优堆栈滤波器可由ＬＭＡ（最小平均绝对误差）算法给出,但直接推导得到的滤波有属于非递归型滤波器,基于此,提出了ＭＡＥ准则下最优堆栈滤波器的递归实现方法,该方法不仅采取直接递归和最递归两种方案实现递滤波器的噪     

基于分水岭算法的医学图像分割

本文采用分水岭算法对医学图像进行分割,针对医学图像的特点以及该算法存在的过分割问题,首先将原图像转换为形态梯度图像,并对形态梯度图像定义一组形态开闭滤波器进行处理,以获得较好的参考图像;然后采用基于连接像素的分水岭算法进行分割。为了获得整体目标,还定义了一个基于分割区域边界平均灰度及其面积的检验准则,并将其作为区域合并的根据。该方法应用于医学图像分割的结果表明,形态滤波器组的引入很好地防止了过分割,基于分割区域边界平均灰度及其面积的准则对分割区域进行合并是行之有效的。     

一种肺部肿瘤CT图象序列的自动分割方法

肺部肿瘤序列图象的自动分割是计算机肺部肿瘤三维辅助诊断系统的关键技术之一,肿瘤与周围组织关系的复杂性造成分割困难.为了给医生提供准确的肺部肿瘤影像,运用纹理分析和径向基神经网络实现了肺部肿瘤CT图象序列的自动分割,并根据相邻层肿瘤图象灰度、位置的相关性,提出了一种自动获取多层肿瘤区域神经网络训练样本的阈值分割算法.该算法首先计算图象纹理统计参数,以组成特征矢量空间,然后利用自适应径向基神经网络对特征矢量进行分类来实现肿瘤序列图象的自动分割.实验结果表明,与基于灰度的区域增长法和基于梯度算子和形状算子的最优阈值的分割方法相比较,该方法不仅能充分利用肺部肿瘤序列图象的三维信息,还可最大限度地减少人工干预,且分割结果较好地表现了肿瘤形态特征,经临床医生评估,具有较好的临床指导价值.     

一种基于数学形态学的遥感图象边缘检测算法

为有效提取边缘密度大的遥感图象中的边缘信息,该文提出了一种利用灰度形态变换原理进行检测的有效算法,首先利用开-闭形态滤波器降低输入图象的噪声,然后将二值图象的边缘提取算法推广到灰度图象中加以应用。实验结果证明,此方法优于灰度形态梯度法,同时也优于Canny算子。     

基于模糊神经网络的脉冲噪声滤波器

针对一般模糊神经网络结构复杂、不利于硬件实现的问题,提出了一种基于Sugeno型模糊神经网络的新型脉冲噪声滤波器,该滤波器采用神经网络的结构设计,有利于噪声模式的检测,其内含于神经网络中的模糊推理机制不仅能够有效地滤除脉冲噪声,而且又不破坏图象的细节,该滤波器还采用能够获得全局解的遗传算法来对网络进行调整,初步研究表明,该模糊神经滤波器在滤除景物图象中的脉冲噪声方面,优于标准中值滤波器。     

用细胞神经网络提取二值与灰度图象边缘

边缘是图象的重要特征,采用细胞神经网络提取图象边缘时,网络参数的选择是一个重要问题。为了能够有效地提取图象边缘,基于高通滤波模板,选择了细胞神经网络的一组简单易行的参数,首先将其用于检测二值图象边缘,再在此基础上,通过综合灰度值各位面边缘检测的结果提取出灰度图象的边缘。与传统边缘提取方法Sobel和Log方法的比较可见,该方法是有效的,并且由于细胞神经网络具有高速并行运算、便于硬件实现等特点,因此使其在图象实时处理中具有更大的潜力。     

基于语法、语义信息的多滤波器集成边缘检测

本文提出一种基于语法、语义信息的多滤波器集成边缘检测方法.该方法把图像灰度分布的形式所包含的边界信息看成是语义信息,而把不同滤波器所提取出的灰度分布形式的信息看成是语法信息.我们从语法信息出发,按一定的逻辑推出不同种类的边界.最后再用模糊逻辑得出符合实际需要的边缘检测结果.基于本文的思想,本文构造了几种具有选择性和抗噪性的滤波器,利用滤波器得到的语法信息得到语义边界.实验结果表明本文的方法具有较好的边缘检测效果和抗噪能力.     

一种新的基于区域和边界的图象分割方法

用分水岭方法进行图象分割时,容易造成图象的过度分割,从而使得物体的轮廓线掩埋在杂乱的分水岭线中,为了克服这种过度分割问题,提出了一种保持边界的非线性扩散方法,该方法就是先对图象进行平滑,在去噪声的同时,即减少了梯度图象中区域最小值的数目,而分水岭分割后的图象区域数目与它相同;然后,根据初始分水岭分割的结果,使用区域灰度相似性和边界强度相结合的准则,进行由底向上的层次融合,从而较好地解决了过度分割的问题。实验结果表明,该方法可提供精确且封闭的区域轮廓线。     

Neuro-fuzzy synergism to the intelligent system for edge detection and enhancement

The paper presents a fuzzy neural network system for edge detection and enhancement. The system can both: (a) obtain edges and (b) enhance edges by recovering missing edges and eliminate false edges caused by noise. The research is comprised of three stages, namely, adaptive fuzzification which is employed to fuzzify the input patterns, edge detection by a three-layer feedforward fuzzy neural network, and edge enhancement by a modified Hopfield neural network. The typical sample patterns are first fuzzified. Then they are used to train the proposed fuzzy neural network. After that, the trained network is able to determine the edge elements with eight orientations. Pixels having high edge membership are traced for further processing. Based on constraint satisfaction and the competitive mechanism, interconnections among neurons are determined in the Hopfield neural network. A criterion is provided to find the final stable result that contains the enhanced edge measurement. The proposed neural networks are simulated on a SUN Sparc station. One hundred and twenty-three training samples are well chosen to cover all the edge and non-edge cases and the performance of the system will not be improved by adding more training samples. Test images are degraded by random noise up to 30% of the original images. Compared with standard edge detection operators and enhancement techniques, the proposed system based on the neuro-fuzzy synergism obtains very good results.     

基于GPN径向基神经网络的边缘检测方法

在基于神经网络的边缘检测模型中,大部分模型的检测效率不高,检测效果也有待提升.本文受人眼视觉系统特性的启发,提出了一种新的基于GPN （Gaussian Positive-Negative）径向基神经网络的边缘检测方法.首先,本文构造了一种新型的基于GPN径向基神经网络,将图像中经高斯滤波预处理后的每个像素点作为GPN径向基神经网络的中心点,并将其输入神经网络;然后,在每层之间使用卷积神经网络的部分特性进行处理,经过扩展层和隐层计算后输出结果;最后根据输出结果利用轮廓跟踪的方法将边缘提取出来.本文在检测效果以及效率这2个方面进行了相应的数值实验.针对合成图像以及部分灰度不均匀图像,相较于脉冲耦合神经网络模型、遗传神经网络模型以及卷积神经网络模型,本文模型在效率上得到了提升,且边缘的连通性更好.实验结果表明,本文提出的基于GPN径向基神经网络的边缘检测方法是一种新的、有效的边缘检测方法,比传统的神经网络边缘检测方法效率更高,且在检测效果上也有所提升.     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

基于语义信息的精细化边缘检测方法

边缘检测是在图像中准确地提取视觉上显著的边缘像素,以得到图像的边缘信息,然而传统基于全卷积网络的边缘检测方法通常存在预测边缘粗糙、模糊等问题。提出一种语义信息指导的精细化边缘检测方法。通过图像分割子网络将学习到的图像语义信息传递给边缘检测子网络,同时利用图像语义信息指导边缘检测子网络,其引入具有注意力机制与残差结构的特征融合模块,以生成精细的图像边缘,增强不同尺度的特征融合。在此基础上,结合图像分割任务和图像边缘检测任务中的代价函数定义新的模型代价函数并进行训练,进一步提高网络边缘检测质量。在BSDS500数据集上的实验结果验证了该方法的有效性,结果表明,该方法的固定轮廓阈值与图像最佳阈值分别达到0.818和0.841,相比HED、RCF等主流边缘检测方法,能够预测更精细的边缘图像,且鲁棒性更优。     

基于GA-BP算法的基片图像边缘检测计算机应用

由于复杂噪声信号的影响,使得对基片边缘的检测较为困难,提出了一种基于改进的GA-BP算法的边缘检测方法.首先,对基片图像进行中值滤波,将选中的样本归一化.其次,根据样本使用改进的GA-BP算法建立神经网络模型.最后根据实验对该神经网络模型中的参数进行了修正,并利用此神经网络模型对基片图像进行边缘检测取得到了较好的效果.实验结果表明,该方法具有良好的泛化性,鲁棒性和自适应性,可以提高图像边缘检测的抗噪声能力.     

基于神经网络与模糊算法图像边缘检测方法*

针对传统图像边缘检测方法中出现毛边、噪边、边缘定位不精确等缺点,提出一种神经网络与模糊算法相结合的检测方法。根据图像特征,将图像分为高频和低频部分分别处理,高频部分适宜用双层网络结构,可以很好地减弱噪声;对于图像低频部分,将模糊理论引入到边缘检测中,能够检测出弱边。最后对检测出的两个图像边缘进行融合,实验结果证明得出的检测效果较好,比传统边缘检测算子所获结果有很大改善。     

图象分割的一种神经网络实现方法

本文提出一种通过竞争 Hopfield神经网络 (CHNN)对二维灰度向量聚类和进行图象分割的方法。该方法兼顾了图象的邻域相关信息及图象的边缘特性 ,因而分割准确、抗噪能力强。由于引入竞争学习机制 ,该方法收敛速度较快     

一种改进型Canny边缘检测算法

边缘检测是提取图像特征的首要条件。文章提出了一种改进型Canny边缘检测算法。首先在边缘梯度计算时,将二维滤波模板分解为两个一维滤波模板,实现并行处理,提高运算速度;引入双阈值法则同时保证图像中强边缘点和弱边缘点的提取,并基于非局部最大值抑制原理检测边缘点,大大提高了边缘检测的精度和准确度;最后采用形态学算子实现对检测边缘进行细化处理,实现了单像素级细化边缘提取。实验结果表明,该算法在保证实时性的同时,具有很好的检测精度和准确度。