一种基于互相关匹配的简化PCNN及其图像分割

脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效的用于图像分割,但无法确定最优分割时的迭代次数.针对这一问题,文章从原始图像与分割图像的相似性出发,提出了一种基于最大互相关匹配的简化PCNN图像分割新方法.该算法通过计算原始图像与分割图像的相关匹配系数来确定最优分割.实验结果验证了该方法的有效性.     

一种基于改进型PCNN的织物疵点图像自适应分割方法

 针对传统脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)模型中网络参数多、不易自动选取的问题,本文在对PCNN模型进行改进的基础上,提出了一种基于改进型PCNN织物疵点图像自适应分割方法.采用了一种基于分割区域内均匀度差异最小作为最佳迭代次数判断标准,从而有效地满足了PCNN对织物疵点图像的自动分割要求.通过对不同疵点图像分割实验证明了算法对疵点分割的准确性和有效性.     

一种基于脉冲耦合神经网络和图像熵的自动图像分割方法

90年代发展形成的脉冲耦合神经网络（PCNN）模型特别适合于图像分割、边缘提取等方面的应用研究，但众所周知，PCNN模型图像分割效果不但取决于PCNN模型中各个参数的合理选择，而且同时还取决于循环迭代次数的确定选择准则，通常循环迭代次数N的选择通过人工交互方式来确定。正因为如此选择合适的准则来确定N是PCNN图像分割的关键，但目前还没有文献提出一个合适的准则来解决这个问题。本文结合图像统计特性和PCNN参数模型提出了熵值最大准则。该准则实现了PCNN神经网络的自动图像分割。对于PCNN的理论研究和实际应用具有非常重要的现实意义。     

基于最大熵和PCNN的图像分割新方法

针对脉冲耦合神经网络(PCNN)无法确定最优分割以及脉冲门限具有非线性因子的问题,提出了一种基于最大熵和脉冲耦合神经网络的新型图像分割算法.该算法采用线性方式动态调整脉冲门限,采用最大熵确定PCNN网络的循环迭代次数,并引用均值滤波的思想对PCNN的接收部分进行了改良,以克服噪声对分割过程的影响.实验结果表明该方法能获得视觉效果较好的分割结果并具有较强的普适性.     

一种新的PCNN模型参数估算方法

PCNN在图像处理领域得到广泛的应用,对其展开研究具有重要的理论意义及应用价值.在对PCNN的研究应用中,其模型参数的合理确定是一个难点.本文提出用灰度-信息量直方图来表征图像特征,通过对信息量直方图的分析,提出了估算PCNN时间衰减参数的自适应算法.该算法可以仅在PCNN的一个运行周期中以最少的迭代次数有效地完成图像分割,并且解决了对多目标进行分割时容易丢失目标的问题.     

基于简化PCNN模型的结构光图像自动分割方法

针对CCD获取的结构光图像因大尺寸、光照不均匀,一般分割方法容易产生过分割或欠分割,提出了一种简化的脉冲耦合神经网络(PCNN)分割方法。将结构光图像进行分块,降低光照对分割质量的影响。每块子图像采用改进的PCNN模型自动进行分割。PCNN采用线性方式动态调整脉冲门限,以最小交叉熵确定其迭代次数,并利用邻域像素间的关系自动调整连接系数,减少人工干预。通过主客观评价指标对分割结果进行了比较,结果表明,提出的算法可以有效地分割出结构光图像中的条纹及点阵模式,目标边缘光滑、连贯和清晰,可以用于结构光图像的分割处理。     

基于迭代阈值的弹目图像边缘检测方法研究

运用基于数字图像处理技术进行高炮武器系统射击诸元校正工作中,弹目偏差的确定是校射的关键,而确定弹目偏差的关键步骤之一是需要对弹目图像进行边缘检测,提取弹丸和目标的边缘特征.在综合分析典型边缘检测算法的基础上,提出运用基于迭代阈值的边缘检测算法进行弹目图像边缘求取,并分析了迭代法确定最佳阈值的步骤,给出了迭代阈值边缘检测算法工作流程,最后通过仿真实验表明基于迭代阙值的边缘检测算法具有良好的边缘检测效果,是一种有效的弹目图像边缘检测算法.     

基于区间参数寻优的PCNN红外图像自动分割方法

脉冲耦合神经网络(Pulse Coupled Neural Network)是基于动物视觉图像形成机制,用一组数学式表达这种机制的仿生学方法。PCNN的数学表达式中有7个关键的参数,而其中的阈值放大系数VE决定了PCNN网络中每个像素的分割阈值大小。通过平均阈值算法和Ostu算法分别计算出图像的分割阈值,并基于高斯分布模型用数学方法证明了在最小交叉熵时的最佳分割阈值在这2个阈值构成的区间内,通过在这2个阈值构成的区间内搜索新的阈值作为PCNN的参数VE的值,并将此寻优的参数VE代入改进的PCNN算法进行图像分割。在计算机上进行仿真实验,与基于经验值的指数衰减算法比较,该文算法分割出的兴趣区域清晰、准确,边缘连接性好,信息全面,算法的效率更高,具有很好的实用性。     

一种基于简化PCNN的自适应图像分割方法

近年来的研究表明,脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效地用于图像分割.然而对于不同图像,常需要选取适当的网络参数,以得到有效的分割结果.但是,目前网络参数的选取还主要停留在人工调整和确定阶段,尚无一种能够根据图像本身特性自动确定参数的方法,这在很大程度上限制了PCNN的应用.针对这一问题,本文提出了一种基于简化PCNN的自适应图像分割方法,通过利用图像本身空间和灰度特性自动确定网络参数,实现对不同图像的分割.实验结果表明,本文算法可以有效地对不同图像进行自动分割,具有一定的健壮性.     

基于神经网络的图像分割算法在FPGA上的实现

脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)是一种新型神经网络模型,作为研究图像分割的常用方法,一直广受关注.针对目前大量文献关注PCNN模型仿真实现研究的情况,本文基于PCNN模型提出了将最小交叉熵分割算法在FPGA硬件平台上进行实现.相比于传统的PCNN软件实现以及最大信息熵分割算法实现的方案,本文提出的图像分割方案最佳分割精准度高,具有处理速度快,实时性强,图像分割效果好的优势,应用范围更广,因此该设计具有较高实际应用价值.     

基于简化的PCNN与类内最小离散度的图像自动分割方法

提出了一种基于简化的PCNN与类内最小离散度相结合的自适应图像分割方法,在每次迭代时将脉冲耦合神经网络点火的神经元对应的像素作为目标,未点火的神经元对应的像素作为背景,计算目标和背景的类内离散度,取类内离散度最小的分割图像作为最终结果.实验结果表明,本文算法可以有效地对不同图像进行自动分割,是一种可行的与有效的图像分割方法.     

基于PCNN图像分割的医学图像融合算法北大核心CSCD

为充分提取源图像间的互补信息,改进传统的图像融合算法在亮度维持、能量保留、边缘信息保持等方面的不足,本文提出了基于脉冲耦合神经网络(pulse coupled neural network, PCNN)图像分割的医学图像融合算法。该算法综合了非下采样剪切波变换(non-subsampled shearlet transform, NSST)与PCNN。首先,选取标准差较大的源图像作为被分割图像,标准差较小的源图像作为参照图像,将源图像进行NSST分解,获取源图像低频子带系数和高频子带系数;在低频融合中,利用参数自适应的PCNN对被分割图像的低频子带进行分割,根据分割结果获取融合低频子带系数;在高频融合中,采用以区域能量和与拉普拉斯能量和两者的乘积作为判断函数,获取融合高频子带系数;利用NSST逆变换获取融合图像。最后,应用本文提出的算法,对脑萎缩、急性中风和高血压性脑病等3组电脑断层扫描/磁共振成像(computerized tomography/magnetic resonance imaging, CT/MRI)图像进行了融合仿真,并将仿真结果与2018年后国际刊上提出的5种算法的融合图像进行比较。结果表明,应用本文提出的融合算法得到的图像,有效地增强了不同模态间的信息互补,保持了融合图像与源图像具有相同明亮程度,又保留了源图像低亮度部分的边缘信息,更加符合人眼视觉特性,具有更高的客观评价指标。     

基于PCNN和SVM的图像识别方法研究

利用脉冲耦合神经网络(PCNN)具有良好的脉冲传播特性,研究了利用PCNN进行图像分割的技术.针对模型参数和最优分割结果难以确定的问题,改进了标准PENN模型,提出了基于互信患量的PCNN图像分割方法.计算原图像与PCNN分割图像序列问的互信息量,对应最大互信息量的分割图像就是最佳分割结果.然后选取不同类型飞机图像提取不变矩特征,用支持向量机(SVM)实现分类识别.实验结果表明,该方法分割效果好,适应性强,能够很好地识别飞机图像.     

基于脉冲耦合神经网络的图像分割

提出了一种基于脉冲耦合神经网络的图像分割方法.在每次迭代时将脉冲耦合神经网络点火的神经元对应的像素作为目标,未点火的神经元对应的像素作为背景.实验结果表明该方法能在图像分割获得很好视觉效果的同时提高图像分割的速度.     

基于图割的单水平集迭代终止算法

针对C-V模型中变分水平集优化方法存在的最佳迭代次数难于确定,且容易陷入局部最优等不足,借鉴图割算法在较短时间内能得到全局最优的优势,提出一种基于图割的单水平集迭代终止算法.首先在目标区域设定一条初始轮廓线,采用无须重新初始化的C-V模型对轮廓线进行迭代,当轮廓线内部面积变化值小于预先给定的阈值时终止迭代,然后将此轮廓线作为图割算法的初始轮廓线进行图像分割.实验结果表明,该方法较原始C-V模型大大缩短了迭代时间,稳健性更高,具有较好的图像分割效果.     

基于能量梯度场映射关系的红外图像分割方法

为了解决红外图像在图像配准中对比度低、背景复杂、红外目标受噪声干扰严重、传统分割方法易产生过分割或欠分割的问题,提出了一种基于改进的脉冲耦合神经网络(PCNN)和形态学方法的红外图像分割算法。首先根据图像能量分布情况提取纹理图像,将纹理图像通过PCNN进行分割,PCNN的链接强度根据区域能量在梯度场的变化自适应设定;由于PCNN的点火位置集中于红外目标部分,通过点火映射图可以得到连贯清晰的红外目标轮廓;再通过形态学方法滤除背景干扰。结果表明,该方法能够精确分割红外图像,分割结果优于传统方法。     

基于改进的脉冲耦合神经网络的红外目标分割方法

针对红外目标的特点,提出了一种基于直方图的改进脉冲耦合神经网络（PCNN）图像分割方法,本算法摒弃了原有脉冲耦合神经网络模型中的时间指数下降机制,利用灰度直方图的知识直接获得PCNN的分割门限,同时保留了弥补空间罅隙和灰度微小变化的优点,实验表明本算法分割得到的目标区域更加完整,并提高了运算速度。     

关于PCNN应用于图像处理的研究

研究并综述了如何用有生物学依据的脉冲耦合神经网络 (PCNN)的脉冲发放特性进行图像处理 ,如图像去噪、图像分割、图像的阴影去除、图像的边缘检测等。研究发现 ,PCNN可有效地用于图像处理。虽然解决图像处理中的不同问题时 ,基于PCNN的算法有所不同 ,但有一共同点 ,就是都用到了PCNN的脉冲传播特性。