一种基于PCNN的图像分割改进算法

为了实现脉冲耦合神经网络(PCNN)在图像分割过程中模型参数与迭代次数的少量化,提出了一种改进的PCNN快速图像分割算法.算法对PCNN模型进行了简化,将传统PCNN模型中恒定的连接系数与神经元所在像素点的像素值联系起来,去除了PCNN分割图像过程中的人工设置参数过程,并根据图像灰度统计特性,将动态阈值转变为恒定阈值,仅一次迭代便可完成图像分割.实验结果表明:算法的分割结果主观视觉感受良好,时间复杂度低,优于对比算法.     

基于均方根阈值的PCNN图像分割算法研究

为了改善脉冲耦合神经网络(PCNN)在图像分割过程中的性能，提出了一种将灰度均方根阈值与PCNN相结合的方法，称之为灰度均方根阈值PCNN (RMS-PCNN)。在简化方法中，只需确定一个参数；此外，在图像分割点火过程中，PCNN阈值只计算一次，展现了更好的分割性能和更快的计算速度。实验结果表明该简化方法是一种有效的图像分割方法。     

基于PCNN的图像最佳二值分割实现

设计了一种脉冲耦合神经网络(PCNN)结合最小交叉熵理论的图像二值分割算法,可提高监管码识别过程中字符图像二值分割的准确度,并适合于在FPGA上实现.根据不同灰度图像点火时刻不同的特性,使用PCNN算法对图像进行迭代处理,并计算每次处理后的交叉熵.再利用最佳分割图像与原图像的交叉熵最小的理论,确定最佳迭代处理次数,从而得到最佳的二值分割图像.该方法实现了图像的自动分割,效果由于传统的大津(OSTU)算法.提出了该算法在FPGA上实现方案,实验结果验证了方案的可行性.     

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.     

PCNN模型参数优化与多阈值图像分割

脉冲耦合神经网络(PCNN)以其更接近生物处理信息机制的优越性,被广泛应用在图像处理等领域.针对其模型参数需要反复实验才能确定的问题,提出了用信息曲线来表征图像特征,研究了PCNN模型中动态门限衰减系数的快速优化方法.实验结果表明该算法不仅可以减少PCNN网络运行周期内的迭代次数,还能有效完成灰度图像分割.     

基于改进的二维Otsu法及PSO的火灾图像分割

针对传统的二维灰度直方图区域划分误差大和运算速度慢等问题,提出一种基于二维直方图和粒子群优化的阈值分割算法,即改进的二维最大类间方差法的粒子群优化算法.利用该算法在二维灰度空间上自适应搜索最优阈值,根据最优阈值对图像进行分割.选取森林火灾火焰图像,对其进行图像分割仿真实验.实验结果表明,该算法的分割效果较好,具有很好的抗噪性能,可有效提高运算速度,且实时性较好.     

融合灰度和非局部空间灰度特征的二维Otsu法

为了克服图像噪声对二维Otsu阈值分割方法性能的影响,采用图像像素的灰度和非局部空间灰度特征构造新的二维直方图,其中像素的非局部空间灰度特征是通过对与当前像素具有相似邻域结构的像素灰度加权平均得到的。将此直方图引入到快速二维Otsu阈值分割方法中,可得融合灰度和非局部空间灰度特征的二维Otsu阈值分割法.实验结果表明改进算法对图像噪声具有一定的鲁棒性,在含噪图像上的分割结果比较理想。     

一种改进分水岭乳腺肿块图像分割方法

针对分水岭算法对噪声敏感、易产生过分割现象的问题,在图像的滤波和区域合并方法上做了改进.该算法首先对肿块图像做初步预处理,设计高斯差分滤波器,实现平滑滤波,增强图像的信噪比,并计算图像的梯度幅值;然后,依据传统分水岭变换算法进行粗分割,计算各个子区域的灰度均值并排序,依次合并灰度均值相似的区域,直到将整个肿块区域完整分割出来;最后,保留合并后灰度均值最大的肿块区域,去除灰度值较小的区域,得到最后的分割结果.实验结果表明:该算法相较于三层地形分割方法、自适应区域生长算法和二次分水岭算法,能够得到更准确的肿块边缘轮廓,误分率减少到23.07%,运行速度高.     

基于视觉注意的动态阈值分割算法

提出一种基于视觉注意机制的动态阈值选取方法.首先按人眼视觉注意特点计算各图块的显著性特征值,根据显著性特征值将图像块进行分类,然后利用最大类间方差法和多尺度的自适应阈值方法分别实现不同灰度特性区域的图像动态分割.实验结果表明:该方法能够实现图像多阈值的自动选取,不受照明条件的影响,能够获得满意的二值分割效果     

蚁群算法在二维Otsu图像分割中的应用

提出了一种基于蚁群算法和二维Otsu的图像分割方法,利用蚁群算法快速寻优的特点,求出二维Otsu图像分割的阈值分割点,对图像进行分割。根据源图像和邻域平滑后图像的灰度,以及灰度频数进行聚类。通过灰度直方图的峰值点设置精确的初始聚类中心,解决了蚁群算法运算次数多、计算量大的问题;针对具体应用,对聚类半径、信息激素和启发引导函数进行了修正。实验表明该算法速度快、划分特性好、抗噪声能力强,可以准确地分割出目标。     

一种超模糊熵ULPCNN图像自动分割新方法

为了自动地对图像进行二值分割,提出了一种新的自适应迭代全局阈值图像分割算法．首先对二维超模糊集隶属函数进行了自适应修正,并将其引入到图像超模糊熵概念中; 然后从适应图像分割角度,将传统脉冲耦合神经网络模型改进为具有单调指数上升阈值函数的ULPCNN抑制捕获模型; 最后把ULPCNN与最大超模糊熵判据相结合对图像进行自动分割,并与基于最大香农熵、最小交叉熵及最小模糊熵准则的ULPCNN分割方法作了比较．理论分析和实验结果表明,该方法能自动确定迭代次数和选取最佳阈值,对图像目标划分清晰,细节保持较好,改善了图像的分割性能．     

新型的无监督纹理分割方法

提出了一种利用Gabor滤波器组对图像进行纹理特征提取,然后将这些特征向量作为外部刺激输入给PCNN对图像进行分割的新方法。该方法既保持了精确的分割结果,同时又解决了Gabor滤波器运算数据量大处理速度慢的问题。从实验结果可以看出,该方法与传统采用Gabor的纹理分割方法相比速度有很大的提高,而其分割精度与传统分割方法相似。     

局部自适应的细胞图像分割方法

针对单一的全局阈值分割方法不能适用于复杂多目标图像的目标提取，该文提出了一种基于局部自适应多阈值的分割算法。该算法的基本思想是将首次分割得到的目标区域按照一定准则进行划分，分为已经正确提取的目标细胞和包含有多个细胞及部分背景的模糊区域，然后将各个模糊区域作为子图像分别进行再次分割，从中提取出目标细胞。实验结果表明，该算法能够稳定地实现目标分割提取，具有较好的鲁棒性。     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

基于自适应遗传算法的激光图像处理

针对激光图像分割处理的问题,提出了一种基于自适应遗传算法的激光图像分割处理算法.该算法将自适应遗传算法与最大类间方差分割方法相结合,将图像类间方差作为适应度函数,利用交叉概率和变异概率动态调整自适应遗传算法求解最大类间方差的最优阈值.为了衡量该算法的处理效果,分别采用本文算法和最大类间方差图像分割算法对图像进行处理.结果表明,该算法的CI值为0. 417,能够对图像进行有效分割,且分割的准确性和运算速率均优于传统的最大类间方差分割方法,具有较高的实践价值.     

基于面积和结构特征的水表图像二步分割方法

针对在水表图像中对指针进行分割提取这一问题,提出了一种基于面积和结构特征的水表图像二步分割方法;介绍了该分割方法的思路和分割过程;详细阐述了构成该分割方法的基于结构和灰度特征的哈夫变换分割算法和基于面积特征的阈值分割算法。通过实例,给出了采用该分割方法对水表图像进行分割的效果。     

基于非均匀光照下文本图像二值化改进算法

针对传统局部阈值算法分割非均匀光照图像效果不佳,且计算时间较长的问题,提出了一种基于局部均值的图像二值化改进算法。该算法首先使用积分图像的快速算法计算出局部均值,再将计算出的局部均值代入改进的阈值模型算法中,最终完成分割,从而进一步改善了在非均匀光照下的图像分割效果。对比实验结果表明,改进的二值化算法大大提高了运算效率,增强了图像分割效果,在视觉效果和处理时间2个方面都优于Niblack算法、Sauvola算法、Bernsen算法以及基于局部对比度和均值的算法。     

Automated retinal blood vessels segmentation based on simplified PCNN and fast 2D-Otsu algorithm

According to the characteristics of dynamic firing in pulse coupled neural network (PCNN) and regional configuration in retinal blood vessel network, a new method combined with simplified PCNN and fast 2D-Otsu algorithm was proposed for automated retinal blood vessels segmentation. Firstly, 2D Gaussian matched filter was used to enhance the retinal images and simplified PCNN was employed to segment the blood vessels by firing neighborhood neurons. Then, fast 2D-Otsu algorithm was introduced to search the best segmentation results and iteration times with less computation time. Finally, the whole vessel network was obtained via analyzing the regional connectivity. Experiments implemented on the public Hoover database indicate that this new method gets a 0.803 5 true positive rate and a 0.028 0 false positive rate on an average. According to the test results, compared with Hoover algorithm and method of PCNN and 1D-Otsu, the proposed method shows much better performance. Foundation item: Project (60872081) supported by the National Natural Science Foundation of China; Project (50051) supported by the Program for New Century Excellent Talents in University; Project (4092034) supported by the Natural Science Foundation of Beijing     

二阶广义概率的二维Otsu阈值分割

针对传统二维Otsu阈值法分割结果不够准确和普适性较差等问题,提出了一种基于二阶广义概率的二维Otsu快速图像分割方法。首先用改进的邻域模板构建二维直方图并将其对应的二元概率分布进行修改得到二阶广义概率以便提高分割性能;然后对二维直方图主对角线上的目标和背景两区域的Otsu公式中对应量准确取值,使阈值选取更准确,并通过调整广义概率的参数来提高算法的通用性;最后对二维直方图进行分析得到Otsu计算特性,利用此特性导出新型、快速的递推算法来降低计算复杂度。实验结果表明:与当前二维Otsu法相比,本文提出的方法不仅分割更准确和通用性更强,而且占用的存储空间和运行时间都更少。