PCNN模型在彩色图像分割中的应用

针对脉冲耦合神经网络(PCNN)模型主要应用于灰度图像处理的局限性,利用脉冲发生器将颜色信息引入模型作为输入,与灰度信息共同控制神经元的内部行为,控制等灰度值的不同颜色区域分期点火,实现彩色图像的精确分割.双输入PCNN模型实现了彩色图像的分割,同时保持了PCNN模型对噪声的鲁棒性,从简单的仿真图像和实际图像两方面验证了此分割方法的有效性.     

基于PCNN的自动图像分割

脉冲耦合神经网络(PCNN)模型在数字图像分割中得到了广泛的应用,但对网络参数的确定以及最优结果的选则一直是一个难题,主要是以人工经验为主,虽然提出了一些参数自动设置的算法,但都缺乏对模型本身数学理论的研究和分析.通过对PCNN网络神经元点火特性的分析,提出了一种基于图像最大灰度值最小时刻点火的参数自适应设定算法,并针对该算法构造了一种新的用于最优结果选择的判定准则.将其用于lena等图像分割中,取得了与主观评价相一致的结果,而且表现出更快的速度和较好的鲁棒性.     

一种PCNN的彩色图像脉冲噪声滤波方法

通过脉冲噪声特性总结以及对脉冲耦合神经网络（PCNN）工作机理的分析,建立了一个在RGB色彩空间上的一种基于脉冲耦合神经网络的彩色图像去噪算法及模型。首先利用PCNN的同步脉冲发放特性定位脉冲噪声点的位置;然后利用中值滤波对其进行去噪处理,并将结果与中值滤波等其他滤波方法进行了比较。实验结果表明该方法不但能够有效去除图像中的噪声,而且能够更好地保护图像细节,较传统彩色图像去噪方法有较明显的优越性。     

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。     

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（Partide 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,省去了人工实验的麻烦,同时分割速度也有所提高。     

基于改进PCNN的指纹图像细化算法

针对基于模板脉冲耦合神经网络(PCNN)指纹图像细化算法细化时间长、纹线断裂、细化不彻底等问题,通过增加4个细化模板,重新构造方形模板及改变细化过程,提出一种基于改进PCNN的指纹图像细化算法。实验结果表明,该算法能够较好地满足细化要求,细化彻底、速度快且纹线光滑无毛刺,能够应用于其他二值图像。     

基于PCNN改进算法的手写体识别研究

脉冲神经网络(PCNN)被广泛应用于图像处理、模式识别等领域。提出了一种基于PCNN的凹点检测改进算法。首先改进神经元激励函数,并利用小波收缩法去噪,保持图像的层次性,然后通过凹点检测识别手写体。实验结果表明,提出的方法能有效提高手写字母的识别率,尤其是在噪声环境下,识别率得到大幅提升。     

一种基于PCNN的指纹特征提取算法

具有生物背景的脉冲耦合神经网络具有自适应提取指纹特征的特性,基于此,首次提出了一种指纹图像特征提取的新方法一一自适应耦合神经网络点火统计图的,此图不仅包含了指纹图像的灰度特征,还包含相邻像素之间的几何位置信息。此方法具有运算速度快及对旋转、平移、尺度不变性,是许多指纹特征提取算法不具备的优点。最后给出了部分实验的结果,以验证该方法的有效性．     

Feature Extraction using Unit-linking Pulse Coupled Neural Network and its Applications

In this paper, we use Unit-linking PCNN (Pulse Coupled Neural Network), the simplified model of PCNN consisting of spiking neurons, to code a 2-dimensional image into a 1-dimensional time sequence called global Unit-linking PCNN image icon or time signature, including features of the original image and having the translation, rotation, and scale invariance. Dividing an image into multiple parts can obtain local Unit-linking PCNN image icons corresponding to the image’s local regions, which can reflect the local changes of the image. In the meantime, the global and the local Unit-linking PCNN image icons are used in navigation, object detection, and image authentication. In navigation, global Unit-linking PCNN image icon shows qualified performance especially in non-stationary-video navigation. Object detection using global Unit-linking PCNN image icon, is independent of variances of translation, rotation, and scale, and object segmentation is avoided. In image authentication, using local Unit-linking PCNN image icon can authenticate correctly some juggled images failed to authenticate by using local histogram or local mean intensity, and can locate the juggled positions in the juggled images with some accuracy.     

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.