结合脉冲耦合神经网络与模糊算法进行四值图像去噪

该文研究了如何将模糊算法用于脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN),进行四值图像去噪,提出了基于模糊PCNN的图像去噪算法.计算机仿真结果表明,将模糊算法与PCNN相结合,可有效地去除被噪声污染的四值图像的噪声,且恢复图像的视觉效果明显地好于用另两种常用的图像去噪方法(中值滤波和均值滤波)得到的结果.在医用图像和军事图像处理方面,四值图像的去噪恢复是非常有价值的,故本文对于PCNN的理论研究和实际应用均有重要的意义。     

PCNN和Otsu理论在图像增强中的应用

提出了基于改进的脉冲耦合神经网络(PCNN)与Otsu的图像增强新方法。该方法对PCNN进行了改进,而用改进后的PCNN进行图像去噪处理,继而用Otsu方法寻找最佳灰度阈值后进行图像增强。仿真实验表明,该方法滤波后信噪比(PSNR)为18．9305,而高斯滤波为5．4087;同时又能根据图像灰度性质自动选取最佳阈值,并对自适应分割后图像进行不同的灰度变换,使图像得到有效增强。仿真结果证明了该方法的有效及合理性。     

一种基于PCNN赋时矩阵的图像去噪新算法

该文从图像脉冲噪声的特点出发,提出了基于脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)赋时矩阵的图像去噪算法。赋时矩阵是由PCNN产生的一种从空间图像信息到时间信息的映射图,在图像处理中,赋时矩阵包含有与空间相联系的有用信息。计算机仿真结果表明,通过对PCNN赋时矩阵分析与处理,综合运用相关方法,可以有效地滤除被脉冲噪声污染的图像噪声,且恢复图像的视觉效果明显地好于中值滤波、均值滤波及维纳法得到的结果,其信噪比高、去噪能力强、对边缘和细节的保护性好、适应性强。     

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。     

一种新的视网膜血管网络自动分割方法

提出了一种基于脉冲耦合神经网络(PCNN)和分布式遗传算法(DGA)的视网膜血管自动分割方法.首先采用二维高斯匹配滤波器预处理以增强血管,然后采用DGA快速搜索出PCNN的最佳参数设置值并运用PCNN分割出增强图像的血管网络,最后对分割得到的血管网络结合区域连通性特征,采用面积滤波算子滤除噪声,提取出最终的血管网络.通过在国际上公开的Hoover眼底图像库中的实验,结果表明,该方法在血管分支提取和算法有效性方面明显优于Hoover算法,具有较高的临床应用价值.     

基于提升小波变换和中值滤波的图像去噪方法研究

针对实际拍摄的背景复杂、目标对比度和信噪比低的图像,在综合考滤图像去噪平滑效果、图像清晰程度和时间复杂度的基础上,提出一种基于提升小波变换和中值滤波的图像去噪方法.首先对含噪图像进行提升小波分解,再在图像高频部分进行中值滤波以改善图像的消噪效果,最后采用信噪比(SNR)与均方根误差(RMSE)和图像灰度曲面图作为图像去噪效果的评估,将提升小波变换和中值滤波相结合的图像去噪方法与小波去噪、小波与中值滤波结合消噪等进行对比实验.实验结果表明,该方法既能消除图像噪声又能达到保持其图像边缘要求,且时间度较低.     

结合自适应脉冲耦合神经网络和最大类间方差准则的眼底图像血管自动检测方法

结合自适应脉冲耦合神经网络(PCNN)和最大类间方差准则,该文提出一种眼底图像血管自动检测方法。首先采用对比度受限的自适应直方图均衡化(CLAHE)和2维高斯匹配滤波对眼底图像进行预处理,以增强血管和背景的对比度;然后基于简化PCNN模型,结合最大类间方差准则对预处理后的眼底图像进行分割,针对PCNN神经元的链接强度通常为常数的不足,使用像素的拉普拉斯能量(EOL)作为对应神经元的链接强度值,使得 PCNN能够根据像素特征自适应地调整神经元的链接强度;最后采用面积滤波、断点连接对分割结果进行后处理,得到最终的血管检测结果。对STARE眼底图像库的实验结果表明,该方法具有较高的鲁棒性、有效性和可靠性。     

印制电路板图件识别研究中的图像预处理实现

将图像预处理技术应用于PCB(印制电路板)图件识别研究。为改善PCB图件图像质量,提高后续BP神经网络对图件图像的识别率,采用MATLAB语言对原始图像进行了预处理,主要包括基于直方图均衡化和中值滤波法的二值图像去噪与平滑操作、基于四叉树分解算法的图件图像分割操作,并提出一种行、列扫描算法来提取图件图像的八维特征向量,试验结果表明了这种处理的有效性。     

一种基于卷积运算与全变分模型的图像去噪方法

梯度模值较易受到外界影响,导致全变分模型在大噪声点处往往不能很好地消除噪声,从而产生阶梯效应。针对该问题,提出了一种基于卷积运算与全变分模型的图像去噪方法。首先,针对以扩散形式获得的图像像素点进行卷积运算,利用滤波去噪降低大噪声点的灰度值;其次,以能量泛函形式构建图像全变分模型,并求解泛函对应的拉格朗日方程极小值来实现图像去噪;最后,将去噪后图像作为双边滤波算法的引导图像进行二次去噪,从而进一步提升图像去噪质量。仿真实验结果表明,与经典方法相比,该模型对去噪过程中的阶梯效应问题具有较好的处理效果。     

联合蚁群算法和PCNN的脑部MRI图像分割方法

采用蚁群算法(ACO)联合脉冲耦合神经网络(PCNN)的脑部磁共振成像(MRI)图像分割方法。其中利用ACO解决了PCNN参数设置困难的问题,同时能够克服图像的低对比度和噪声对图像分割的影响,实现图像的精确分割。首先利用ACO的全局搜索能力,以图像信息熵与灰度期望值的和作为ACO的目标函数,对PCNN的3个关键参数β、αE和VE进行设定;然后基于PCNN简化模型,结合最大熵值准则对脑部MRI图像进行分割;最后对分割结果进行面积滤波,得到最终的分割结果。实验结果表明,本文方法能够实现脑部MRI图像的自动分割,具有较高的精度和较强的鲁棒性。对于没有噪声的图像,本文方法分割结果的平均正确提取率达到97.0%以上,平均错误提取率达到0.4%以下,平均杰卡德相似系数达到94.8%以上;对于添加了不同级别噪声的图像,本文方法的分割效果也优于FCM和自适应PCNN。     

用无需选取参数的Unit-linking PCNN进行自动图像分割

脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）是一种有生物学依据的人工神经网络，它可有效地用于图像分割。基于PCNN的图像分割效果取决于PCNN中各参数的选择。然而，图像分割时，各种不同的图像对应的PCNN参数是不同的，而PCNN参数的选择是困难的。本文提出了一种基于Unit-linking PCNN的图像分割新方法，解决了PCNN图像分割参数选择的难题。用本文提出的新方法可有效地自动分割各种图像，而无需考虑PCNN参数的选择，这对于PCNN的理论研究和实际应用有重要的意义。     

NSCT域内基于自适应PCNN的图像融合新方法

论文结合非下采样contourlet变换（NSCT）的平移不变性、多尺度、多方向特性和脉冲耦合神经网络(PCNN)的同步脉冲发放、捕获特性,提出在NSCT域中基于PCNN的图像融合框架。对于低频子带,利用改进拉普拉斯能量和作为特征激励PCNN;对于高频方向子带,采用改进的空间频率作为PCNN的外部激励;同时利用各子带图像的平均梯度自适应调节PCNN的链接强度,最后,选取具有较大点火次数的系数作为融合图像的系数,经逆NSCT变换重构融合图像。实验结果表明本文方法无论在主观视觉还是客观评价标准上都要优于传统的基于小波变换、contourlet变换、PCNN的图像融合方法。      

Adaptive Neural Network for Nuclear Medicine Image Restoration

A novel adaptive neural network is proposed for image restoration using a nuclear medicine gamma camera based on the point spread function of measured system. The objective is to restore image degradation due to photon scattering and collimator photon penetration with the gamma camera and allow improved quantitative external measurements of radionuclides in-vivo. The specific clinical model proposed is the imaging of bremsstrahlung radiation using ³²P and ⁹⁰Y because of the enhanced image degradation effects of photon scattering, photon penetration and poor signal/noise ratio in measurements of this type with the gamma camera. This algorithm model avoids the common inverse problem associated with other image restoration filters such as the Wiener filter. The relative performance of the adaptive NN for image restoration is compared to a previously reported order statistic neural network hybrid (OSNNH) filter by these investigators, a traditional Weiner filter and a modified Hopfield neural network using simulated degraded images with different noise levels. Quantitative metrics such as the change of signal to noise ratio (SNR) are used to compare filter performance. The adaptive NN yields comparable results for image restoration with a slightly better performance for the images with higher noise level as often encountered in bremsstrahlung detection with the gamma camera. Experimental attenuation measurements were also performed in a water tank using two radionuclides, ³²P and ⁹⁰Y, typically used for antibody therapy. Similar values for an effective attenuation coefficient was observed for the restored images using the OSNNH filters and adaptive NN which demonstrate that the restoration filters preserves the total counts in the image as required for quantitative in-vivo measurements. The adaptive NN was computationally more efficient by a factor 4–6 compared to the OSNNH filter. The filter architecture, in turn, is also optimum for parallel processing or VLSI implementation as required for planar and particularly for tomographic mode of detection using the gamma camera. The proposed adaptive NN method should also prove to be useful for quantitative imaging of single photon emitters for other nuclear medicine tomographic imaging applications using positron emitters and direct X-ray photon detection.     

一种基于改进的PCNN的视网膜血管树提取方法

根据脉冲耦合神经网络（PCNN）动态点火特性和视网膜血管网络区域结构特征,提出了一种基于改进型PCNN（IPCNN）的视网膜血管树提取方法。该方法对二维高斯匹配滤波预处理增强后的眼底图像运用IPCNN分割出增强图像的血管网络,然后对分割得到的血管网络结合区域连通性特征,采用长度滤波算子滤除噪声,提取出最终的血管树。通过...     

基于多聚类中心和PCNN的医学图像融合算法

提出一种基于K-means Clustering和脉冲耦合神经网络(PCNN)的图像融合的方法,首先,以多特征信息为聚类方式利用K-means Clustering分割提取源图像的对应特征点,通过归类合并建立多模医学图像的特征点集合,根据特征点分布将图像划分为纹理区域和非纹理区域,纹理区域对应系数输入PCNN得到点火映射图,根据点火次数选择融合系数,非纹理区域的系数通过双通道PCNN进行融合。实验结果表明,该算法能够精确划分图像纹理区域,进而利用PCNN和双通道PCNN在图像不同区域系数选择各自的优势,融合图像纹理清晰,质量改善。     

基于NSST域混合滤波与改进边缘检测PCNN的医学图像融合

针对传统医学图像融合中存在细节模糊、能量保存不完整、运行时间长等问题,提出一种基于非下采样剪切波(non-subsampled shearlet transform, NSST)域混合滤波与改进边缘检测脉冲耦合神经网络(pulse coupled neural network, PCNN)的医学图像融合方法。首先,利用YUV模型进行颜色空间转换分离出亮度通道Y,接着利用混合滤波分别对源核磁共振(magnetic resonance imaging, MRI)图像和亮度通道的灰度图像进行不同程度的增强。其次,采用NSST对增强后的MRI和亮度通道的灰度图像进行分解,得到高低频子带。低频子带使用修正的拉普拉斯能量和(weighted sum of eight-neighborhood-based modified Laplacian,WSEML)与局部区域能量加权和(weight local energy,WLE)的融合策略,高频子带采用改进边缘检测PCNN的融合策略。最后,经NSST逆变换得到融合图像。通过与其他6种融合方法对比,本文方法可以有效提高图像融合过程中的细节提取和能量保存,且...     

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。