一种参数自适应的PCNN图像分割算法

文章利用用粒子群优化(PSO)算法优化脉冲耦合神经网络(PCNN)的参数,其中将从训练图像中提取熵和能量的比值作为PSO的适应度函数,提出了一种参数自适应的PCNN图像分割方法。最终通过Matlab仿真实验证明了该方法具有较好的分割性能,该方法不但能够正确地完成图像分割,而且也省去了人为设置PCNN参数的麻烦。     

基于遗传模拟退火算法的Otsu图像分割研究

针对目前基本遗传算法在优化图像分割算法中存在的易于早熟、陷入局部最优的不足,以最大类间方差函数为适应度函数,提出了一种基于改进遗传算法的图像阈值分割算法.对交叉、变异算子进行自适应改进,同时将模拟退火算法融入到遗传算法中,使得对个体的评价更合理,既能克服种群退化现象,又改善算法的全局搜索能力,避免遗传算法陷入局部最优.实验结果显示,与Otsu图像分割法以及基于遗传算法的图像分割方法相比,使用该方法得出的阈值范围更加稳定,执行效率更高,在图像分割中获得的分割效果更佳.     

一种改进的分裂合并图像分割算法

图像分割是图像分析和目标识别中的关键技术之一。在传统图像分割方法的基础上,提出一种将改进的自适应遗传算法与合并分裂法相结合的图像分割算法。针对遗传算法运算速度低,容易陷入局部最优值、早熟收敛等缺点,在此通过对遗传操作算子的改进、适应度评价函数的科学设计以及交叉和变异概率的自适应调整来降低图像分割产生的误差。计算机仿真结果证明,该算法能够取得较好的图像分割效果。     

一种基于改进型PCNN的织物疵点图像自适应分割方法

 针对传统脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)模型中网络参数多、不易自动选取的问题,本文在对PCNN模型进行改进的基础上,提出了一种基于改进型PCNN织物疵点图像自适应分割方法.采用了一种基于分割区域内均匀度差异最小作为最佳迭代次数判断标准,从而有效地满足了PCNN对织物疵点图像的自动分割要求.通过对不同疵点图像分割实验证明了算法对疵点分割的准确性和有效性.     

基于能量梯度场映射关系的红外图像分割方法

为了解决红外图像在图像配准中对比度低、背景复杂、红外目标受噪声干扰严重、传统分割方法易产生过分割或欠分割的问题,提出了一种基于改进的脉冲耦合神经网络(PCNN)和形态学方法的红外图像分割算法。首先根据图像能量分布情况提取纹理图像,将纹理图像通过PCNN进行分割,PCNN的链接强度根据区域能量在梯度场的变化自适应设定;由于PCNN的点火位置集中于红外目标部分,通过点火映射图可以得到连贯清晰的红外目标轮廓;再通过形态学方法滤除背景干扰。结果表明,该方法能够精确分割红外图像,分割结果优于传统方法。     

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。     

一种新的基于双层PCNN的自适应图像分割算法

提出一种新的基于双层脉冲耦合神经网络（PCNN）的自适应图像分割算法。双层PCNN的前级以简化PCNN模型为基础,获得区域生长的种子;后级采用区域生长机制,征募区域内灰度相似像素,完成前级种子的生长。新算法PCNN的关键参数可自适应更新,避免了传统PCNN参数设置难的问题;区域生长机制强化了PCNN的区域特性。实验结果...     

基于Fisher准则的自适应遗传算法在图像分割中的应用

为了确定图像分割的最佳阈值,提出了一种基于自适应遗传算法的图像分割方法.自适应遗传算法能够在保证种群多样性的同时保证算法的收敛性,克服了基本遗传算法的收敛性差、易早熟问题.以二维Fisher准则作为图像分割的评价标准,利用自适应遗传算法对其进行优化,得到最佳分割阈值.实验结果表明,与基本遗传算法相比,该算法不仅能够保证图像分割的精度,而且分割速度提高了约30%.     

基于改进遗传算法的图像分割

分析了OTSU图像分割算法和遗传算法,针对基本遗传算法在优化OTSU图像分割算法中存在的易于早熟、陷入局部最优的不足,提出了一种基于改进遗传算法的图像分割算法。结合OTSU对遗传算法中的适应度函数进行改进,使得对个体的评价更合理,提高算法的全局搜索能力,避免了遗传算法陷入局部最优。实验结果表明,与基于基本遗传算法的图像分割方法相比,改进的图像分割算法在图像分割中获得的分割效果更佳。     

基于PCNN图像分割新算法

在原有PCNN的基础上提出一种新的参数自适应PCNN模型,该模型中的各参数均由像素点本身决定,而不受人为的外界干涉,因此,该算法在图像处理领域有较好的运用价值。此外提出另一类分割判定准则——最大相关系数判定准则。最后通过对3种不同的图像分割实验结果分析后得出。该算法和最大相关系数判定准则在图像分割领域中具有较强的适应性和较好的辅助意义。     

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。     

基于PCNN和SVM的图像识别方法研究

利用脉冲耦合神经网络(PCNN)具有良好的脉冲传播特性,研究了利用PCNN进行图像分割的技术.针对模型参数和最优分割结果难以确定的问题,改进了标准PENN模型,提出了基于互信患量的PCNN图像分割方法.计算原图像与PCNN分割图像序列问的互信息量,对应最大互信息量的分割图像就是最佳分割结果.然后选取不同类型飞机图像提取不变矩特征,用支持向量机(SVM)实现分类识别.实验结果表明,该方法分割效果好,适应性强,能够很好地识别飞机图像.     

一种基于简化PCNN的自适应图像分割方法

近年来的研究表明,脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)可有效地用于图像分割.然而对于不同图像,常需要选取适当的网络参数,以得到有效的分割结果.但是,目前网络参数的选取还主要停留在人工调整和确定阶段,尚无一种能够根据图像本身特性自动确定参数的方法,这在很大程度上限制了PCNN的应用.针对这一问题,本文提出了一种基于简化PCNN的自适应图像分割方法,通过利用图像本身空间和灰度特性自动确定网络参数,实现对不同图像的分割.实验结果表明,本文算法可以有效地对不同图像进行自动分割,具有一定的健壮性.     

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。     

一种改进型脉冲耦合神经网络及其图像分割1

本文结合人类视觉系统(HVS)对图像信息含量区域敏感度不同这一特性,以神经元接近点火程度的一致性描述图像空间邻域所含的信息量,对通常的脉冲耦合神经网络模型(PCNN－Pulse Coupled Neural Network)进行了改进,提出了一种基于改进PCNN的图像自适应分割算法.该算法根据象素及其周边区域的信息量大小发放不同值的脉冲,从而自适应地将图像分为多个不同等级的高低信息区域,较好地仿真了人类视觉系统特性.最后对用这种方法进行图像分割的结果进行基于信息量的图像压缩,在压缩比和重建图像主观视觉感知质量上均达到了良好的性能,表明了本文算法的可行性和有效性.     

PCNN图像分割技术研究

在图像处理中,精确的图像分割可以加快后续的处理工作,具有更好的应用性。根据近些年提出的脉冲耦合神经网络模型在图像分割中的应用,给出其在图像分割中的基于熵函数、准则函数、参数调整和改进的脉冲耦合神经网络模型的4种方法,并对各个方法进行了综述。最后根据模型的基本特性和文献进展情况,给出脉冲耦合神经网络模型在图像分割中未来的研究方向。     

基于PCNN图像分割的医学图像融合算法北大核心CSCD

为充分提取源图像间的互补信息,改进传统的图像融合算法在亮度维持、能量保留、边缘信息保持等方面的不足,本文提出了基于脉冲耦合神经网络(pulse coupled neural network, PCNN)图像分割的医学图像融合算法。该算法综合了非下采样剪切波变换(non-subsampled shearlet transform, NSST)与PCNN。首先,选取标准差较大的源图像作为被分割图像,标准差较小的源图像作为参照图像,将源图像进行NSST分解,获取源图像低频子带系数和高频子带系数;在低频融合中,利用参数自适应的PCNN对被分割图像的低频子带进行分割,根据分割结果获取融合低频子带系数;在高频融合中,采用以区域能量和与拉普拉斯能量和两者的乘积作为判断函数,获取融合高频子带系数;利用NSST逆变换获取融合图像。最后,应用本文提出的算法,对脑萎缩、急性中风和高血压性脑病等3组电脑断层扫描/磁共振成像(computerized tomography/magnetic resonance imaging, CT/MRI)图像进行了融合仿真,并将仿真结果与2018年后国际刊上提出的5种算法的融合图像进行比较。结果表明,应用本文提出的融合算法得到的图像,有效地增强了不同模态间的信息互补,保持了融合图像与源图像具有相同明亮程度,又保留了源图像低亮度部分的边缘信息,更加符合人眼视觉特性,具有更高的客观评价指标。