改进型脉冲耦合神经网络高分辨率SAR图像分割

针对高分辨率SAR(合成孔径雷达)图像噪声强,目标分割难度大的特点,提出一种改进的脉冲耦合神经网络(pulse coupled neural network,PCNN)模型的SAR图像分割算法。首先根据SAR图像中相干斑噪声的特点,采用复小波进行去噪。然后,在传统PCNN模型的基础上,对神经元的输入信号,尤其是链接系数和阈值的非线性衰减子因子进行了改进和简化,同时对链接强度系数β进行理论上的近似推导,并减少人工设置的参数。最后,通过最佳阈值对其结果进行二值化处理得到感兴趣的目标图像。实验结果表明,改进后的算法运行效率提高,自适应性增强。与传统算法相比,区域一致性提高0.013,区域的对比度提高0.015,效果优于传统的PCNN算法,为高分辨率SAR图像分割提供了一种新策略。     

改进型脉冲耦合神经网络高分辨率SAR图像分割

针对高分辨率SAR (合成孔径雷达)图像噪声强, 目标分割难度大的特点, 提出一种改进的脉冲耦合神经网络(pulse coupled neural network, PCNN)模型的SAR图像分割算法。首先根据SAR图像中相干斑噪声的特点, 采用复小波进行去噪。然后, 在传统PCNN模型的基础上, 对神经元的输入信号, 尤其是链接系数和 阈值的非线性衰减子因子进行了改进和简化, 同时对链接强度系数β进行理论上的近似推导, 并减少人工设置的参数。最后, 通过最佳阈值对其结果进行二值化处理得到感兴趣的目标图像。实验结果表明, 改进后的算法运行效率提高, 自适应性增强。与传统算法相比, 区域一致性提高0.013, 区域的对比度提高0.015, 效果优于传统的PCNN算法, 为高分辨率SAR图像分割提供了一种新策略。     

结合灰度熵变换的PCNN小目标图像检测新方法

为了自动地进行小目标图像分割检测,从含单一弱小目标图像的特征出发,提出了一种结合灰度熵变换的脉冲耦合神经网络(PCNN)小目标图像分割检测新方法. 该方法在对有随机噪声和复杂背景图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值灰度图在满足先验概率目标背景比条件下,选择包含单一小目标局部窗口作为处理图像区域,并在局部最小交叉熵判据下,进行改进型PCNN迭代分割检测处理. 实验结果表明,该方法不仅能可靠地检测出复杂背景及随机噪声干扰下弱小目标,并且在PCNN运行处理过程中,可自动地完成最佳分割检测.     

弱可视环境下象素级多传感器图像自动分割方法研究

象素级多传感器图像分割容易受到外界环境的干扰,在弱可视环境下将丢失大量分割图像的边缘信息,导致分割效果差,分割效率低。为此,提出一种新的弱可视环境下象素级多传感器图像自动分割方法,通过Retinex算法对弱可视环境下象素级多传感器图像进行增强处理。介绍了PCNN图像分割方法的基本原理,通过PCNN方法对输入原始图像进行迭代,对输出结果和输入图像进行“与”运算,获取PCNN一次迭代的象素级多传感器图像,求出迭代后图像的最小方差比,计算出该次最小方差比与上次迭代最小方差比的差值,依据该差值判断是否继续迭代,将最终的输出结果看作象素级多传感器图像的最佳分割结果。实验结果表明,所提方法具有很高的分割效率,且分割效果佳。     

低对比度全景球面图像目标分割方法研究

受到光照、设备等外界条件的影响,得到的全景球面图像对比度通常较低,当前目标分割方法无法解决外界环境的干扰问题,导致分割结果精度低,分割效果不佳。为此,提出一种新的低对比度全景球面图像目标分割方法,通过PCNN模型对低对比度全景球面图像进行对比度增强处理,依据人眼视觉特征,通过对数变换映射函数把全景球面图像的亮度调整至一个合适的视觉范围内。介绍了均值偏移法的理论基础,通过对特征空间中样本点的聚类,获取模式点。通过均值偏移法将空间上相邻和色彩相同的像素划分至一类,找到不同颜色的聚类点,从而实现低对比度全景球面图像目标分割。实验结果表明,采用所提方法对低对比度全景球面图像进行分割,不仅分割效果好,而且分割精度高。     

基于改进3D-PCNN的中药材彩色显微图像分割

为有效提取中药材彩色显微图像的目标信息,提出了一种基于改进三维脉冲耦合神经网络的图像自动分割方法.首先,从适合处理中药材彩色显微图像的角度出发,对传统模型进行简化与改进;其次,采用RGB颜色空间,利用最大信息熵选择性排列图像,并将结果作为改进模型的输入,进而完成图像分割;最后,用最大综合判定准则选取最佳分割结果,并与最大香农熵、最小交叉熵、色差对比度进行比较.实验结果表明,本文方法可以精确自动地分割中药材彩色显微图像,克服了最大香农熵、最小交叉熵、色差对比度的缺点,分割效率明显优于传统方法.     

一种基于PCNN的参数自适应图像分割方法

针对在基于脉冲耦合神经网络（PCNN）模型的图像分割中,如何确定合适的网络参数的问题,提出一种基于PCNN的参数自适应图像分割方法。该方法通过设定神经元合适的捕获范围和连接值,综合利用图像像素邻域的灰度信息,结合PCNN网络参数间的相互联系,实现对模型参数自动确定。仿真实验表明,该方法可有效地对不同图像进行自适应分割。与传统的PCNN图像分割方法相比具有一定的优越性。     

基于PCNN的图像二值化及分割评价研究

在介绍传统二值化方法的基础上,对PCNN脉冲耦合神经网络进行了研究,由于PCNN独特的相似神经元同步点火的特性,使其非常适合于各类图像的分割;同时结合图象二值化研究,对目前仍处于难点的图像分割评价作了研究,提出了综合评价思想。并通过实验仿真验证了：PCNN用于图像二值化,能够更好地区分和合理地分割出图像的目标和背景区域,具有分割精度高,适应类型广的特点;同时通过大量的实验数据也验证了所提出的综合评价思想的合理性,较之以往的评价准则更加准确和科学。     

基于区域生长的PCNN自动目标分割算法

在基于电动轮椅的机械臂目标抓取研究背景下,通过图像分割实现对目标物的定位.只有目标物与背景的准确分离,才能使机械臂通过轮椅移动平台准确地移动到其工作范围内实现抓取工作.结合研究中目标物受光线因素影响而导致图像分割不准确现象,本文提出了一种基于区域生长的PCNN自动目标分割算法.经实验证明,该方法可以有效避免传统PCNN算法因目标物受光线因素影响而无法对目标物准确分割的问题,且该方法通过目标物分割而获得定位坐标的准确率达到98%,仅对感兴趣区域进行分割,避免对无关信息的处理,运行效率平均达1.61s,具有一定实时性.     

基于脉冲耦合神经网络的多区域图像分割

为解决传统脉冲耦合神经网络(pulse coupled neural network,PCNN)仅限于二值分割且无法对灰度缓慢变化的大范围区域进行完整分割的问题,提出了一种基于PCNN的多区域图像分割算法。将分割图像经过平滑和归一化后送入PCNN,在快速连接机制作用下,每次迭代处理中具有相似状态的神经元可实现同步点火,完成单个图像区域的完整分割。经过预定的迭代次数后,以各神经元的点火次数为新输入图像各像素点的灰度值,然后经平滑和过归一化后再次送入PCNN重复上述处理,完成多区域图像分割。Berkeley图库的实验结果显示,该算法高效、鲁棒,可有效应用于图像分割。     

基于马尔可夫随机场和模糊C-均值聚类的DTI图像分割算法

传统的模糊C-均值聚类(FCM)算法只考虑了图像灰度信息,未考虑图像的邻域信息,抗噪性能不够理想.为了充分利用图像空间信息,提出一种结合马尔可夫随机场(MRF)的自适应加权FCM改进算法.该算法根据局部密度判断像素在其窗口邻域范围内的离散种类,将MRF空间约束场和隶属度场的权重根据像素离散种类进行自适应变化,在消除噪声影响的同时,尽可能保留弥散张量成像(DTI)的图像细节信息.实验结果表明:该算法可以准确分割DTI图像,得到边缘清晰且细节信息保留良好的分割结果,与FCM算法以及MRF和FCM融合算法相比,其分割系数至少提高了3%,分割熵至少降低了2%,分割聚类效果得到提高,且分割系数和分割熵都不易受噪声幅度的影响.     

基于邻域激励脉冲耦合神经网络的图像分割

设计了一种基于邻域激励脉冲耦合神经网络(PCNN)模型的图像分割方法.把既考虑强度又考虑邻域分布的像素邻域信息作为一个参数,来控制PCNN模型中的链接强度,进而控制神经元的内部活动值.在分割过程中采用基于多数裁定原则的方法,通过在一次迭代过程中对邻域像素分割阈值的调整,保证了分割结果的完整性.通过对几类图像的分割实验以及与经典分割方法的比较,验证了该方法的有效性.     

基于PCNN的人脸图像分割算法研究

研究了基于PCNN的人脸图像分割算法。利用简化型PCNN对人脸图像进行分割,根据人脸图像的灰度特征和空间信息的相关性,得到了人脸图像的神经元点火序列,该点火序列就是图像分割的结果。通过MATLAB仿真实现了该算法,表明该算法具有一定的工程价值。     

基于多尺度空间PCNN模型的图像分割算法

运动车辆图像中车牌具有所占比例小、位置不固定和大小不一的特点,因此,对车辆图像分割时车牌区域容易产生过分割与欠分割问题.脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)被誉为"第三代神经网络"并广泛应用于图像分割.在利用PCNN模拟人类视觉的图像分割过程中,由于传统PCNN模型中的连接矩阵使用固定值表示,使得PCNN模型不能满足图像分割时尺度变化的需求.为了解决这个问题,本文提出了基于多尺度空间PCNN模型的车辆图像分割算法,将尺度空间引入PCNN模型,使PCNN模型具有了尺度特性,提高了系统自适应分割车牌图像的能力.     

基于ABC-PCNN模型的图像分割

为使标准脉冲耦合神经网络(Pulse coupled neural network,PCNN)模型在图像分割中能够自适应地调整模型参数与全局阈值,提高分割效果,该文提出一种基于人工蜂群(Artificial bee colony,ABC)算法改进的自适应PCNN模型,即人工蜂群算法-脉冲耦合神经网络(ABCPCNN)模型;提出了改进后的乘积型交叉熵函数,并利用ABC算法将此函数作为其适应度函数优化输出其连接系数和阈值。采用Lena图像和血细胞图像评估PCNN模型和ABC-PCNN模型的性能。实验结果表明:ABC-PCNN模型对图像的自适应分割效果优于PCNN模型。针对血细胞分割图像中存在的重叠区域,该文结合角点和质点坐标定位重叠区域的二次分割线得到最终分割图像,所提算法高效且能得到较好的分割结果。     

自适应随机游走图像分割算法

传统的随机游走算法图像信息描述单一,目标轮廓易受背景干扰;针对这一问题,提出一种自适应随机游走图像分割算法.算法首先建立了一种基于纹理相似性的权函数表达式,借助Gabor能量滤波器,首次将纹理特征引入到随机游走算法中,来突出图像的结构信息;其次,为了更加准确地计算节点间的连接权值,算法还提出一种自适应权值计算方法,根据图像边缘密度,自适应地计算纹理和灰度特征在权函数中所占的权重.最后应用狄利克雷边界条件,实现图像分割.实验结果表明,所提算法更好地刻画了图像的结构信息;与传统方法相比,具有更好的适用性和分割准确性.     

弱可视环境下像素级多传感器图像自动分割方法研究

像素级多传感器图像分割容易受到外界环境的干扰,在弱可视环境下将丢失大量分割图像的边缘信息,导致分割效果差、分割效率低。为此,提出一种新的弱可视环境下像素级多传感器图像自动分割方法,通过Retinex算法对弱可视环境下像素级多传感器图像进行增强处理。介绍了PCNN图像分割方法的基本原理,通过PCNN方法对输入原始图像进行迭代,对输出结果和输入图像进行"与"运算,获取PCNN一次迭代的像素级多传感器图像,求出迭代后图像的最小方差比,计算出该次最小方差比与上次迭代最小方差比的差值;依据该差值判断是否继续迭代,将最终的输出结果看作像素级多传感器图像的最佳分割结果。实验结果表明,所提方法具有很高的分割效率,且分割效果佳。     

无需设置参数的快速 PCNN 图像分割

脉冲耦合神经网络（PCNN）拥有良好的仿生学依据,在图像分割领域获得了很大的成功。但传统 PCNN 网络需要设置大量参数,且需要对最佳迭代结果进行选择。以往提出的经典解决方法大多需要预设一个较高的迭代次数,且部分参数依靠经验设定。针对参数设置和时间复杂度2个问题,设计了一种仅需2次迭代,参数设置自适应于图像统计特征的 PCNN 图像分割算法,避免了凭经验设定参数、多次迭代造成运行时间长的问题。实验表明：算法的分割结果主观视觉感受良好,并且在速度上优于对比算法。     

基于双通道PCNN的NSST域红外与可见光图像融合

针对传统红外与可见光图像融合中存在的一些不足,提出一种新的基于非下采样剪切波变换(NSST)和双通道脉冲耦合神经网络模型(2APCNN)的红外与可见光图像融合算法.该算法首先对红外图像进行预处理,提高源图像的对比度,再对红外与可见光图像进行NSST分解得到低频和高频子带系数;然后对分解后的低频子带系数进行二维小波分解再次得到相应的低频和高频子带,低频部分采用一种基于显著图的融合策略,高频部分采用绝对值取大的原则,之后再对低频和高频采用小波逆变换得到NSST重构所需的低频部分;接着对NSST分解后的高频子带采用双通道PCNN进行处理;最后对处理过的低频和高频子带进行NSST逆变换得到最终的融合图像.几组图像的实验结果对比显示,该算法相比其他算法在客观评价指标和视觉效果上均取得了一定的改进.     

基于PCNN模型的区域生长图像分割

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法.该方法将待分割图像的像素点映射为PCNN模型中的神经元,把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割.实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整,区域划分更加准确,分割效果更能符合人眼视觉的识别特征.