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。     

基于各向异性脉冲耦合神经网络模型的光照补偿

针对低照度非均匀光照图像,为了解决传统脉冲 耦合神经网络(PCNN)模型在光照补偿中出现的灰化现 象和阴影部分光照补偿不足的问题,提出了基于各向异性PCNN(anisotro pic-PCNN)模型的光照补偿 算法。首先,分析了图像的统计特性,进而根据PCNN模型神经元的点火特性,讨 论了连接权值矩阵W、M 的取值对自动波的波面阵和波的传播方向的影响;然后,基于Weickert的扩散 率函数,对连接权值矩阵W、M 重新赋值,设计了各向异性PCNN模型;最后,给出了各向异性PCNN模型 的输出与补偿后图像之间的简化非 线性映射函数。仿真结果表明,本文模型可以有效地进行图像的整体和局部动态范围的调整 ,使图像中阴影区域的细 节信息得到充分展现,消除传统PCNN模型引起的灰化现象。对低照度非均匀光照的图像的光 照补偿具有一定的普遍适用性。     

一种自适应PCNN多聚焦图像融合新方法

该文通过分析脉冲耦合神经网络(PCNN)参数模型,结合多聚焦图像的基本特点和人眼视觉特性,提出了一种自适应PCNN多聚焦图像融合的新方法。该方法使用图像逐像素的清晰度作为PCNN对应神经元的链接强度,经过PCNN点火获得每幅参与融合图像的点火映射图,再通过判决选择算子,判定并选择各参与融合图像中的清晰部分生成融合图像。该方法中,其它参数如阈值调整常量等对于融合结果影响很小,解决了PCNN方法的参数调整困难的问题。实验结果表明,该方法的融合效果优于小波变换方法和Laplace塔型方法。     

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。     

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。     

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。     

一种新的PCNN实现方法及其在图像处理中的应用

讨论了PCNN的实现方法及其在图像处理中的应用等问题．在PCNN的具体实现中,网络被强制为单循环网络,通过简化模型、阈值查找表、整数运算等技巧,降低了PCNN的时间复杂度．引入了时问索引图、指纹时问序列等概念,将PCNN与传统的图像处理技术结合起来,为实现PCNN的自动图像处理提供了一条新的途径;应用时间索引图,可以实现图像增强、边缘检测、图像分割和特征提取等．推导了PCNN的适用条件,并提出了一种实用的连接系数估计方法,对PCNN参数设置有着直接的指导作用．     

一种基于PCNN的图像去噪新方法

该文深入研究了如何用一种有生物学依据的人工神经网络脉冲耦合神经网络(PCNNPulseCoupled Neural Network)进行二值图像去噪与图像平滑,并提出了基于PCNN的图像去噪算法。计算机仿真结果表明,使用PCNN可有效地恢复被噪声污染的二值图像,且恢复图像的信噪比增量高于用另两种常用的图像恢复方法(中值滤波与均值滤波)得到的结果。     

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。     

基于标记脉冲耦合神经网络的乳腺肿块分层检测方法

乳腺X线图像中的肿块检测是乳腺癌早期诊断的重要手段。该文提出了一种新的肿块检测方法。将脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)与标记符相结合设计了标记PCNN图像分层方法,继而利用多同心层(Multiple Concentric Layers, MCL)模型得到可疑区域。最后,借助肿块的形态学特征剔除假阳性区域得到最终的肿块。实验结果表明,该文方法在保证假阳性率(False Positive Rate, FPR)的同时,肿块真阳性率(True Positive Rate, TPR)达到92.08%。同时针对东方女性致密型乳腺案例中检测结果明显优于MCL方法和MCA方法。     

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。     

一种基于PCNN算法的图像选点滤波方法

提出了一种新的基于脉冲耦合神经网络算法的图像选点滤波方法,首先介绍了脉冲耦合神经网络算法模型,分析了噪声的特点。然后提出新的算法：用脉冲耦合神经网络构造图像像素点火时间矩阵,根据时间矩阵判别该点应采取怎样的滤波算法。最后通过图像质量评价方法对实验结果作了分析,结果证明该方法有效可靠,能够抑制高斯噪声和脉冲噪声。     

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.     

自适应PCNN多聚焦图像融合

脉冲耦合神经网络（PNNN）型参数多,计算复杂,并且通常选取经验常数作为链接强度,这极大地限制了PCNN的普遍适用性.针对该问题,在分析PCNN模型基本特征的基础上,结合多聚焦图像的基本特点提出了一种基于PCNN的自适应多聚焦图像融合新方法.该方法在PCNN简化模型的基础上既将拉普拉斯能量作为PCNN对应神经元的链接强度β,又将其作为PCNN对应神经元的反馈输入经过PCNN点火从而获得每幅参与融合图像的点火映射图,最后通过选取适当的融合规则获得融合图像.实验结果表明了该方法的有效性,这种有效性不仅体现在视觉效果上,而且体现在客观评价标准上.     

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.