基于脉冲耦合神经网络的图像分割

针对传统脉冲耦合神经网络(PCNN)模型在图像分割时需要设置较多参数和不能准确分割低对比度图像的问题,提出一种简化的PCNN模型和改进算法。在简化模型中减少了在传统PCNN模型中需要设置的参数的数量;在改进算法中根据图像像素空间和灰度特征自适应设置模型参数,并根据图像灰度直方图求出灰度期望均值作为图像分割阈值,因此该算法无需选择 循环迭代次数,只需一次点火过程就能实现图像的有效分割。实验结果表明,该方法能准确分割图像,纹理细节清晰,分割结果优于人工调整参数的PCNN方法和Otsu方法。     

基于PCNN的灰度图像边缘检测方法

脉冲耦合神经网络(PCNN)最初由Eckhorn根据猫大脑中视觉皮层神经元的同步脉冲(SynchronousBurst)现象而提出。由于具有一系列良好的特性,PCNN在图像处理、模式识别等领域获得了广泛的应用。文献[6]根据PCNN的传播特性提出了一种利用PCNN检测二值图像边缘的有效方法,但这种方法并不能直接用于对灰度图像的边缘进行检测。由于实际处理的图像大部分为灰度图像,因而其方法的适用性是很有限的。该文提出了一种基于PCNN的灰度图像边缘检测方法,从而直接对256色灰度图像的边缘进行提取,具有较好的适用性。实验结果表明该方法是有效的。     

机器视觉系统在拉链缺陷检测中的应用

受工艺过程影响,拉链在生产过程中会产生缺齿次品,传统方法是靠人眼和测量工具进行检测,耗费大量人力和时间。采取机器视觉技术,对拉链图像的特征进行研究,提出针对拉链齿数检测的三种检测原理:神经网络识别方法、模板匹配识别方法和基于一维灰度投影的识别方法。根据检测原理分别编写核心处理程序及其上位机软件,模拟工厂实际检测环境设计搭建实验平台,进行检测实验。     

基于PCNN的图像边缘检测方法

通过对PCNN点火特性的分析,提出了一种利用PCNN点火阶梯特性和图像灰度统计特性进行图像边缘检测的新方法。在PCNN参数的设置过程中,采用了自适应设置的方法,使得该算法具有较好的实用性。仿真实验表明该方法可以有效地实现图像的边缘检测。     

基于视觉显著性与PCNN的图像分割算法

针对射线缺陷检测图像对比度低、缺陷边缘模糊、噪声多、存在较大的背景起伏等缺点,传统缺陷检测方法难从焊缝缺陷图像中提取出对比度较低的目标缺陷的问题,该文提出了结合视觉显著性与脉冲耦合神经网络（PCNN）的缺陷分割算法。首先,利用LC算法对射线检测图像进行显著性区域检测,得到反映图像不同区域显著程度的显著图;其次,将所得到的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,相较于传统的最大类间方差（Otsu）算法和脉冲耦合神经网络算法,采用该算法分割缺陷的效果较好,其分割边缘与细节信息的清晰度高,采用该算法分割缺陷的效果有较大提升。     

基于灰度迭代阈值脉冲耦合神经网络的图像分割

为有效分割图像,提出了灰度迭代阈值脉冲耦合神经网络(GIT-PCNN)。GIT-PCNN简化了传统PCNN模型,将其指数衰减的阈值改进为图像的灰度迭代阈值。GIT-PCNN分割图像时无需进行参数和循环次数选择,也无需使用特定原则确定循环结束条件,一次点火过程完成分割。GIT-PCNN分割图像时充分利用了图像的灰度信息和PCNN特有的空间邻近及像素灰度值相似集群发放脉冲提供的图像局部位置信息。实验结果表明,GIT-PCNN在主观及客观的分割性能和速度上均优于经典的PCNN分割方法。     

基于灰度迭代阈值PCNN的眼底图像血管分割

针对传统的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）模型中参数众多且不易自动选取,迭代次数结束条件不好确定的问题,提出了一种基于灰度迭代阈值脉冲耦合神经网络的眼底图像血管分割方法。该方法简化了传统PCNN模型,将其单一的神经元兴奋性链接输入改进为神经元兴奋性与邻域抑制性链接输入之和;同时将其随时间指数衰减的阈值改进为图像的灰度迭代阈值,分割图像时无需人工设置参数,无需特定准则确定最佳迭代次数,一次迭代完成分割。对DRIVE眼底图像库的实验结果表明,该方法在主观视觉效果及客观分割性能和运算耗时上均明显优于传统PCNN方法。     

基于嵌入式的IC芯片外观质量检测系统设计

为解决人工检测集成芯片引脚存在的诸多弊端,设计一套基于ARM-DSP双核结构的集成芯片引脚缺陷自动检测系统。采用阈值分割算法提取芯片引脚目标,通过灰度跃变检测引脚中心点,并统计引脚中点间距以识别芯片引脚缺陷;设计实现图像采集电路、图像处理电路和其他外围控制电路等,并进行实验研究。实验结果表明设计的系统检测速度快,检测精度高。     

一种优化脉冲耦合神经网络模型及在图像分割中的应用

针对目前脉冲耦合神经网络(PCNN)神经元模型参数主要通过人工设定问题,以简化参数为目的将PCNN模型的调制参数β与连接权矩阵K简化为链接系数矩阵W,提出一种优化PCNN神经元模型。该模型应用于图像分割时,充分利用图像本身空间和灰度特性自动确定链接系数,实现对图像的有效分割。实验结果表明,所提方法可以有效对图像进行自动分割,其分割效果优于Otsu方法、人工调整PCNN参数方法。     

新的噪声污染灰度图像边缘检测统计方法*

针对传统算子进行边缘检测时易丢失边缘信息和在非边缘处增强噪声的缺陷,提出一种基于非参数变点统计分析的噪声图像边缘检测方法,该统计方法不但不需要图像数字特征的任何先验信息,而且对噪声污染的图像不作任何滤波处理.实验结果表明,提出的算法优于Sobel算子,并能抑制信噪较低的高斯噪声和密度较高的椒盐噪声对分割结果的影响,是一种有效的噪声污染灰度图像边缘检测方法.     

基于PCNN的彩色图像分割新方法

20世纪90年代发展起来的新一代神经网络——脉冲耦合神经网络(PCNN)模型特别适合于图像处理的各个方面,但是它一直只应用于灰度图像的处理上。有鉴于此,论文对PCNN在彩色图像分割上的应用进行了研究,将彩色图像空间变换成三个相互独立的分量,分别应用PCNN在灰度图像上已有的成熟的方法,得到了彩色图像的边缘信息,从而达到了彩色图像分割的效果。     

基于PCNN的织物疵点边缘检测

由于纱线的螺旋性、粗细不匀和织物的柔性形变,使得织物的纹理带有较大的不规则性。 用基于特征或模型的分割方法识别织物纹理图像的疵点,效率较低,准确性较差。针对这个问题,提 出了一种基于PCNN的算法,它利用织物表面疵点区域的灰度强度不同于织物表面图像的灰度强度, 根据PCNN神经元是否点火,来获取织物疵点信息;然后将所提取的特征点按作用范围膨胀,并用 CANNY算子分割出织物疵点,提取织物疵点边缘。实验证明这种方法能有效地获取织物疵点特征, 并得到较为理想的边缘检测效果。     

基于PCNN神经网络的图像去噪算法研究

图像噪声的去除一直是图像处理领域的难点,以往介绍的去噪方法主要用于去除二值图像的噪声,不能用于灰度图像的去噪,而且在去噪的同时会引起图像的模糊,为了解决问题,根据PCNN的工作原理和噪声的特点提出了一种改进的基于PGNN的去噪方法.计算机仿真实验结果表明该方法能在有效去除椒盐噪声的同时,很好地保留了图像的细节,防止了图像的模糊,对图像的恢复、图像的识别是十分有益的,但对于严重的高斯噪声,去除效果还不是很理想,该算法有待改进.     

基于PCNN和非线性滤波万有引力的医学图像融合

为了更好地满足现代医学临床诊断和治疗的需要,提高医学图像的融合质量,提出在提升小波变换的基础上,结合脉冲耦合神经网络（PCNN）和像素点的非线性滤波万有引力的医学图像融合方法。低频子系数采用基于区域灰度均值的融合规则;高频子系数采用自适应PCNN的融合规则,将像素的非线性滤波万有引力作为简化的PCNN模型中的链接强度,使PCNN能够自适应调节链接强度的大小,并根据点火矩阵确定高频子系数。实验结果表明,该方法得到的融合图像比其他融合方法保留了更多的边缘细节信息,各项评价指标均有所提高,有更好的融合性能。     

基于差别特征的纹理图像识别研究

文中提出了一种基于PCNN的捕获率图的纹理图像差别特征提取的新万法。通过对PCNN的基本特性分析，指出PCNN的捕获率图不仅包含了全局图像灰度分布的统计特征，还包含了局部图像灰度的空间分布的相关统计特征，即相邻象素之间的几何信息。这恰是纹理图像的个性特征所在。实验结果证明，该方法具有良好的鲁棒性。获得这些纹理图像的特征旨在度量纹理图像的相似性或从图像中抽取纹理区域。     

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．