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。     

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。     

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。     

基于改进的PCNN多目标图像分割算法

脉冲耦合神经网络(Pulse-coupled neural network,PCNN)可有效地用于图像分割.为获得满意分割效果,PCNN需要选取适当的参数,目前其参数往往通过反复试凑确定.针对这一问题,基于改进的PCNN模型,提出结合图像灰度直方图,以最大交叉熵函数作自适应遗传算法的适应度函数,采用自适应遗传算法搜索最优门限阈值函数的图像分割算法.实验结果表明,该算法可以有效地实现多目标图像分割,且分割效果优于多阈值Ostu算法.     

基于模糊熵的改进型PCNN图像分割方法

针对传统的PCNN在图像分割中需要设定大量的参数,并且分割的最佳迭代次数无法自动确定等问题,简化了传统PCNN模型的接受部分,改进了PCNN的连接部分,改变了PCNN的阈值衰减方式,并利用最大模糊熵作为最佳分割迭代次数的判定准则,提出了一种新的PCNN改进模型,从而实现了PCNN的自动精确分割.对各类图像的实验结果表明,该方法能够自动确定循环迭代次数和自动选取最佳阈值,与基于最大香农熵的PCNN分割方法相比,该方法具有收敛速度快、分割精度高、分割效果好等特点.     

一种参数自适应的简化PCNN图像分割方法

为了进一步延伸脉冲耦合神经网络（Pulse coupled neural network,PCNN）在图像分割中的应用,本文对PCNN模型作了简化和改进,并探讨和分析了参数的设置方法.首先利用阈值和脉冲输出所对应的区域均值之间的关系,提出了一种优化连接系数的方法,使得模型最终以迭代的方式得到分割结果.在仿真和真实红外图像上实验结果表明,文中方法能取得较优的分割效果,且相比于常用的阈值方法以及较新的PCNN方法,文中的简化模型对噪声及复杂图像具有更好的适应性和鲁棒性.     

复杂背景下的人体热图像分割

复杂背景下,特别是在环境与人体温度相差不大的情况下,红外运动人体目标与背景的灰度值会非常相似,准确的红外人体分割是一个难题。对基于混合高斯模型的背景减除法进行改进,在二值化阶段采用改进型的脉冲耦合神经网络（PCNN）进行精细分割,利用多模态免疫进化算法（MIEA）自动确定PCNN分割参数。仿真实验结果表明,该算法图像分割精度高,实现了快速自动分割,取得了较为理想的图像分割效果。     

一种参数自动寻优的PCNN图像分割算法

利用粒子群优化算法（Particle Swarm Optimization,PSO）具有对参数自动寻优的优势,将PSO和脉冲耦合神经网络（Pulse Couled Neural Network,PCNN）相结合,并以改进的最大类间方差准则函数为适应度函数,提出了一种能进行参数自动寻优的PCNN图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且PCNN的参数可以自动设置省去了人工实验的麻烦,同时分割速度也有所提高。     

基于微粒群算法和脉冲耦合神经网络的图像分割算法

脉冲耦合神经网络（Pulse Coded Neural Network,PCNN）在图像处理中得到了十分广泛的应用,但是其多个参数的设置给实际应用造成很大的困难。尤其是在图像分割中,不同类型的图像要求不同的分割参数,不同的参数对图像分割的结果影响很大。而微粒群优化算法（Partide Swarm Optimization,PSO）具有对参数自动寻优的优势,为此,将PSO和PCNN相结合,以改进的最大熵函数为适应度函数,提出了一种基于PSO和PCNN算法的图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且参数可以自动设置,省去了人工实验的麻烦,同时分割速度也有所提高。     

优化的PCNN自适应三维图像分割算法*

脉冲耦合神经网络(pulse coupled neural network,PCNN)对图像分割具有天然的优势,但是传统的PCNN模型参数难以确定,且算法耗时多。对多种PCNN模型进行研究改进,并利用统计学知识提出了一种精简高效的自适应三维分割算法。将其用于脑部磁共振成像(magnetic resonance imaging,MRI)图像的分割,把脑组织分成白质、灰质和脑脊液。与标准PCNN、传统的Otsu阈值方法、SPM8工具箱及专家手动分割结果的对比实验表明,该自适应算法具有精确性、高效性。     

基于遗传算法和简化PCNN神经网络的裂缝检测方法*

为能够在复杂背景下检测裂缝、分析裂缝图像特征,由脉冲耦合神经网络(pulse coupled neural networks, PCNN)的运行特征和神经元的状态变化分析简化PCNN模型,将简化PCNN模型用于裂缝图像的目标检测。针对PCNN无法确定裂缝图像的最优检测以及脉冲门限具有非线性因子的问题,提出了一种基于遗传算法(genetic algorithm, GA)和简化PCNN的裂缝图像检测方法。该方法采用最小误差准则作为遗传算法的适应度函数,并且根据遗传算法具有全局最优解的特点确定简化PCNN中各因子的值,实现了简化PCNN的裂缝图像自动分割。将本文方法与不同的分割方法对实际裂缝图像的处理结果进行比较,通过区域对比度、准确率和召回率等客观指标进行定量分析,表明了该方法对裂缝图像检测的有效性与通用性。     

一种基于QPSO的脉冲耦合神经网络参数的自适应确定方法

针对目前脉冲耦合神经网络(PCNN)神经元模型中的参数主要通过人工定义的问题,提出一种基于量子微粒群优化(QPSO)算法的PCNN参数自动确定方法,并分析该算法的时间复杂度。该方法利用PCNN分割后的图像熵作为QPSO算法的适应度函数,在解空间中自动搜索PCNN中待确定参数的最优值,提供一种PCNN神经元模型中的参数自动确定方法。将该方法应用于图像分割时,以互信息量作为图像分割评价标准。仿真结果表明文中方法实现正确的图像分割,其性能优于Otsu方法、人工调整PCNN参数方法、遗传算法优化方法和微粒群优化方法,表现出较好的鲁棒性。     

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。     

Simplified parameters model of PCNN and its application to image segmentation

Pulse-coupled neural network (PCNN), which simulates the synchronous oscillation phenomenon in the visual cortex of small mammals, has become a useful model for image processing. In the model, several parameters were usually required to properly set for adjusting the behavior of neurons. However, undesired behavior may occur owing to inappropriate parameters setting. To alleviate this problem, we propose to simplify some parameters of PCNN, and apply it into image segmentation. First, exponential delay factors are abandoned for adjusting the neuron input, and the neural input is then associated with image information as well as pulse output. In addition, neural threshold inherent in PCNN is simplified as an adaptive threshold related to image properties, allowing our model to easily alter the behavior of neurons. Particularly, the characteristic of synchronous pulse is thereby kept by introducing a fuzzy clustering method, instead of linking coefficient for grouping pixels with similarity and spatial proximity through iterative computation. Experimental results on synthetic and real infrared images show that the proposed model has high performance of segmentation. Furthermore, our model has better adaptability for segmenting real-world images when compared with several existing PCNN-based methods and some classic segmentation methods.     

High-resolution SAR images segmentation using NSCT denoising and QIGA based parameters selection of PCNN model

The high-resolution synthetic aperture radar (SAR) images usually contain inhomogeneous coherent speckle noises. For the high-resolution SAR image segmentation with such noises, the conventional methods based on pulse coupled neural networks (PCNN) have to face heavy parameters with a low efficiency. In order to solve the problems, this paper proposes a novel SAR image segmentation algorithm based on non-subsampling Contourlet transform (NSCT) denoising and quantum immune genetic algorithm (QIGA) improved PCNN models. The proposed method first denoising the SAR images for a pre-processing based on NSCT. Then, by using the QIGA to select parameters for the PCNN models, such models self-adaptively select the suitable parameters for segmentation of SAR images with different scenes. This method decreases the number of parameters in the PCNN models and improves the efficiency of PCNN models. At last, by using the optimal threshold to binary the segmented SAR images, the small objects and large scales from the original SAR images will be segmented. To validate the feasibility and effectiveness of the proposed algorithm, four different comparable experiments are applied to validate the proposed algorithm. Experimental results have shown that NSCT pre-processing has a better performance for coherent speckle noises suppression, and QIGA-PCNN model based on denoised SAR images has an obvious segmentation performance improvement on region consistency and region contrast than state-of-the-arts methods. Besides, the segmentation efficiency is also improved than conventional PCNN model, and the level of time complexity meets the state-of-the-arts methods. Our proposed NSCT+QIGA-PCNN model can be used for small object segmentation and large scale segmentation in high-resolution SAR images. The segmented results will be further used for object classification and recognition, regions of interest extraction, and moving object detection and tracking.

     

基于微分进化的PCNN图像分割方法

脉冲耦合神经网络(PCNN)是一种新型神经网络,可以应用于图像分割。然而在对PCNN的研究应用中,其模型参数的合理确定是个难点,这在很大程度上限制了PCNN的应用。针对这一问题,提出一种基于微分进化的PCNN图像分割方法。该方法使用微分进化算法来实现脉冲耦合神经网络参数的自动设定,并通过将其应用于图像分割,将分割结果与其他优秀分割方法比较,从而验证了该方案的正确性与可行性。     

PCNN在指纹图像分割中的应用

提出了采用新型的有生物学依据的人工神经网络-脉冲耦合神经网络（PCNN桺ulse Coupled Neural Network）来实现指纹图像分割的方法,选取低灰度值背景、高灰度值背景指纹图像以及带阴影的指纹图像进行分割实验,有效的实现了指纹图像有效区和背景区的分离,并与传统的标准差阈值跟踪法进行了比较,试验表明这种方法具有更好的效果。