脉冲耦合神经网络在图像处理中的参数确定

脉冲耦合神经网络(PCNN)模型可有效地应用于图像处理领域.但目前在PCNN模型理论方面的研究较少,参数的确定仍停留在经验阶段,这很大程度上限制了PCNN模型的发展.本文对PCNN模型进行理论上的推导,特别是模型各参数对PCNN特性的影响,给出了PCNN模型应用于图像处理中各参数确定的准则.在将其应用于眼底图像处理中,取得与人工参数选取相似的效果,表现出较好的鲁棒性.     

基于加性耦合连接的PCNN模型

脉冲耦合神经网络（PCNN）比传统神经网络更好地模仿了生物神经元,既考虑空间累加,又考虑了时间累加。在此用加性耦合代替乘性耦合,在图像处理效果上与耦合和无耦合PCNN的效果相比,其差别较小,熵与耦合PCNN处理后图像的熵基本一致。但加性耦合连接的PCNN,改变了无耦合PCNN的周期特性,提供了停止条件,保持了PCNN的旋转不变性、缩放不变性等一些特性,同时保持了时间和空间上的积累,且迭代次数少,计算量相对较小,更适合于硬件实现。     

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。     

脉冲耦合神经网络在图像融合中的应用研究

脉冲耦合神经网络(PCNN)具有全局耦合性与脉冲同步发放等特点,可用于解决融合图像高频子带系数的选取不符合人眼视觉特性的问题。但PCNN在应用于多源图像融合的过程中存在着模型结构复杂、参数设置繁琐等问题,针对PCNN的模型结构,分析了模型优化的两类方法,并总结了PCNN应用于多源图像融合的一般规律,为PCNN更好地应用于多源图像融合提供了参考。     

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.     

Curvelet域自适应脉冲耦合神经网络的图像融合方法

为解决传统图像融合准则不能充分利用图像全局特征的问题,将脉冲耦合神经网络(PCNN)模型用于Curvelet变换的图像融合中,提出了由表征子带图像局部特征的支撑值(SPV)作为刺激PCNN模型的外部激励输入,同时考虑Curvelet变换后低频子带信息与高频子带信息间的相关性,设定PCNN模型参数(连接强度和连接范围)随低频子带图像的特征自适应地变化,并且利用PCNN模型中各神经元的首次点火时间构造融合准则中的显著性度量。用PCNN模型模拟人眼视觉神经系统的生物特性,并利用其全局耦合特性对源图像进行智能地分析判断和融合处理,从而提高融合图像的整体效果。实验结果表明,由于PCNN具有全局耦合特性和脉冲同步特性,因此当它用来参与选取细节系数时,能够更好地利用子带图像的全局信息。     

PCNN参数自适应设定及其模型的改进

 脉冲耦合神经网络(PCNN)模型在数字图像处理中有着广泛应用,但基本都是从网络的外在特性出发并结合一定的实际应用对其进行研究和改进,缺乏对模型本身数学特性的分析.本文从PCNN模型的迭代方程出发,对无耦合连接和耦合连接两种状态下的PCNN数学模型进行了点火机理分析,揭示了PCNN模型本身的数学耦合特性(点火阶梯)以及其对网络生物学特性(脉冲发放特性)会造成干扰和影响的现象,并分析了这种干扰和影响产生的机理和消除方法,同时提出PCNN用于图像分割时参数自适应设定的方法.最后给出了更能体现神经网络生物学特性的PCNN改进模型,将其用于Lena等图像的分割处理中,取得了良好的效果.     

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。      

一种基于脉冲耦合神经网络和图像熵的自动图像分割方法

90年代发展形成的脉冲耦合神经网络（PCNN）模型特别适合于图像分割、边缘提取等方面的应用研究，但众所周知，PCNN模型图像分割效果不但取决于PCNN模型中各个参数的合理选择，而且同时还取决于循环迭代次数的确定选择准则，通常循环迭代次数N的选择通过人工交互方式来确定。正因为如此选择合适的准则来确定N是PCNN图像分割的关键，但目前还没有文献提出一个合适的准则来解决这个问题。本文结合图像统计特性和PCNN参数模型提出了熵值最大准则。该准则实现了PCNN神经网络的自动图像分割。对于PCNN的理论研究和实际应用具有非常重要的现实意义。     

基于MMPN和可调节链接强度的图像融合

多小波系统可以同时具备正交性、紧支撑、对称性等特性,PCNN是具备生物视觉背景的第三代神经网络,用于图像处理有先天的优势.本文综合利用多小波和PCNN的优点,提出了基于PCNN脉冲数匹配度MMPN的图像融合算法.该算法中,各个神经元的链接强度依符合人类视觉特性的多小波域图像对比度而自适应地取值.实验表明,该算法可以更有效地提高融合图像的熵、标准差和质量测度,性能良好.     

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。     

基于脉冲耦合神经网络和施密特正交基的一种新型图像压缩编码算法

自从脉冲耦合神经网络(PCNN)被提出以来,在图像处理、模式识别、人工智能等领域得到了广泛应用.由于其生物学背景的特性,使得其能够对灰度图像进行完美的分割:PCNN局部连接域的作用及阈值指数衰减特性,使得具有近似灰度特性的邻近像素能够同时处于激活状态,这就构成了PCNN分割特性的基础,使得图像分割结果既能较好地包含原始图像细节信息,又能避免一些无意义的小分割块的产生.借鉴施密特正交化思想,利用自然初始基对每一分割区域进行变换,得到一组正交基的变换系数,相对于分割前图像的数据量大为减少,存储空间需求小,从而实现了压缩.相对于JPEG算法,该方法使重建图像的质量得到显著提高,同时也使得逐步重建图像成为可能.     

PCNN原理及其在图像处理中的应用研究

脉冲耦合神经网络是依据对猫视觉皮层神经元脉冲串同步振荡现象的研究而发展形成的新型人工神经网络模型。根据脉冲耦合神经网络的原理和模型,分析其特性,研究并总结了它在图像处理中的应用,如图像分割、图像去噪、图像增强、图像融合等。根据脉冲耦合神经网络目前的国内外研究现状,指出今后的研究重点。     

基于MST框架的PCNN输电线路红外热故障区域提取方法

针对输电线路电气设备红外热故障检测,提出采用一种基于最大相似度阈值（Maximum Similarity Thresholding, MST）的脉冲耦合神经网络（Pulse-coupled neural Network, PCNN）红外图像热故障区域提取方法。在该方法中,利用脉冲耦合神经元对相似的邻域神经元同步点火特性,通过引入最大相似度阈值框架,简化了PCNN模型的阈值设置机制。同时,针对相似邻域神经元的同步点火特性,采用最小聚类方差设置连接系数,使得PCNN模型在自适应迭代下最终获取热故障区域。最后通过真实输电线路电气设备红外故障图像测试,验证了文中所提方法的有效性和适用性,为PCNN模型的推广应用奠定了基础。     

一种新的PCNN模型参数估算方法

PCNN在图像处理领域得到广泛的应用,对其展开研究具有重要的理论意义及应用价值.在对PCNN的研究应用中,其模型参数的合理确定是一个难点.本文提出用灰度-信息量直方图来表征图像特征,通过对信息量直方图的分析,提出了估算PCNN时间衰减参数的自适应算法.该算法可以仅在PCNN的一个运行周期中以最少的迭代次数有效地完成图像分割,并且解决了对多目标进行分割时容易丢失目标的问题.     

Irregular Segmented Region Compression Coding Based on Pulse Coupled Neural Network

An irregular segmented region coding algorithm based on pulse coupled neural network（PCNN） is presented. PCNN has the property of pulse-coupled and changeable threshold, through which these adjacent pixels with approximate gray values can be activated simultaneously. One can draw a conclusion that PCNN has the advantage of realizing the regional segmentation, and the details of original image can be achieved by the parameter adjustment of segmented images, and at the same time, the trivial segmented regions can be avoided. For the better approximation of irregular segmented regions, the Gram-Schmidt method, by which a group of orthonormal basis functions is constructed from a group of linear independent initial base functions, is adopted. Because of the orthonormal reconstructing method, the quality of reconstructed image can be greatly improved and the progressive image transmission will also be possible.