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...     

基于过渡区提取的视网膜血管分割方法

 针对现有视网膜血管分割方法对于小血管和低对比度血管分割效果差的问题,提出了一种基于过渡区提取的视网膜血管分割方法.该方法首先采用二维高斯匹配滤波预处理以增强血管,然后采用基于最佳熵的方法提取主血管、采用基于分布式遗传算法和Otsu相结合的方法提取过渡区,最后利用区域连通性分析所提取的主血管和过渡区,分割出最终的血管.通过在Hoover眼底图像库中的实验,结果表明该方法在小血管的提取、连通性和有效性方面均优于Hoover算法,另外由于迁移策略的分布式遗传算法的引入,使得算法效率也明显提高.     

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.     

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。     

病变视网膜图像血管网络的自动分割

现有的视网膜血管分割方法大多只针对正常的视网膜图像进行分割,不能实现对发生病变的视网膜图像的分割.为此,提出了一种新的病变视网膜图像血管网络分割方法.该方法首先采用向量场散度方法获得病变视网膜图像中大部分血管的中心线,然后计算出中心线上各像素点的方向信息并采用改进的定向局部对比度方法检测出中心线两侧的血管像素,最后对获得的血管段末端进行反向外推追踪,分割出最终的血管网络.通过对通用的STARE眼底图像库中所有病变视网膜图像的实验仿真,结果表明本文算法获得了0.9426的ROC曲线面积和0.9502的准确率,算法性能明显优于Hoover算法和Benson等提出的算法.此外,本文算法还克服了Benson算法的局限性,对不同类型的病变视网膜图像都具有较好的鲁棒性.     

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。     

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。     

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NSPT域PCNN-SC的图像超分辨率重建

结合多尺度变换和脉冲耦合神经网络(PCNN)的 优点,将空域的稀疏编码(SC)算法通过非 下采样金字塔变换(NSPT)转换应用到频率域进行重建,并结合改进的PCNN对SC算法中的 最优系数 采用一种新的方法进行获取,进而提出一种新的超分辨率重建(SRR)模型与算法。首先将 图像进行三次B 样条 放大处理,然后采用NSPT对图像进行多尺度分解得到高低频子带系数。对于低频子带,运 用PCNN-SC 完成重建;对高频子带,将其与预测高分辨(HR)图像的特征图像运用改进的PCNN经图像融合 完成重建。最后 通过逆NSPT得到HR图像。实验表明,本文算法在主观视觉效果和客观数据都获 得了较好的效果。     

基于人眼视觉特性与自适应PCNN的医学图像融合算法

针对多尺度变换的图像特征,提出了一种基于人眼 视觉特性与自适应脉冲耦合神经网络(PCNN)的医学图像融合新方法。首先,对经配准的源图 像进行非下采样Contourlet变换(NSCT), 得到低频、高频子带系数;然后,考虑到低频子带系数中保留了绝大部分源图像能量和图像 轮廓特征,提出 区域能量(RE)和梯度奇异值度量(GSVM)相结合的方法;考虑到图像全局特 征,将PCNN用于高频子带系数中,提出区域视觉对比度(SLVC )模拟人眼视觉特性作为PCNN的 外部刺激输入,设定PCNN的链接强度随视觉对比敏感度(VCS) 自适应变化,同时考虑到PCNN的迭 代次数,利用Sigmoid函数计算其点火输出幅值的显著性度量;最后,对获得的融合系数进 行逆NSCT得到融合图像。通过实验对比分析表明,本文算法不仅可以保留源图像信息的同时 ,还得到较好的客观评价指标和视觉效果。     

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。     

基于图卷积的视网膜血管轮廓及高不确定度区域细化框架

针对传统卷积神经网络(convolutional neural network, CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视网膜血管分割细化框架。该框架通过轮廓提取及不确定分析方法,选取CNN粗分割结果中潜在的误分割区域,并结合其提取的特征信息构造出合适的图数据,送入残差图卷积网络(residual graph convolutional network, Res-GCN)二次分类,得到视网膜血管细化分割结果。该框架可以作为一个即插即用模块接入任意视网膜血管分割网络的末端,具有高移植性和易用性的特点。实验分别选用U型网络(U-neural network, U-Net)及其代表性改进网络DenseU-Net和AttU-Net作为基准网络,在DRIVE、STARE和CHASEDB1数据集上进行测试,本文框架的Sp分别为98.28%、99.10%和99.04%,Pr分别为87.97%、88.87%和90.25%,证明其具有提升基准网络分割效果的细化能力。     

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。     

基于最大熵和PCNN的图像分割新方法

针对脉冲耦合神经网络(PCNN)无法确定最优分割以及脉冲门限具有非线性因子的问题,提出了一种基于最大熵和脉冲耦合神经网络的新型图像分割算法.该算法采用线性方式动态调整脉冲门限,采用最大熵确定PCNN网络的循环迭代次数,并引用均值滤波的思想对PCNN的接收部分进行了改良,以克服噪声对分割过程的影响.实验结果表明该方法能获得视觉效果较好的分割结果并具有较强的普适性.     

基于PCNN和BWT的图像融合算法

提出了一种新型图像融合算法.首先,对待融合的两幅图像进行双正交小波分解得到两组多尺度图像;接着,取其中任意一组作为主PCNN的输入、另一组相应的图像作为从PCNN的输入,在每次迭代时,经并行PCNN点火后,得到一系列多尺度融合图像;然后,对它们进行双正交小波重构得到每次迭代的融合结果,并计算每次迭代结果的信息熵,取信息熵值最大的融合图像作为最终结果.大量的实验以及与其他融合算法的比较分析,表明了本文算法的有效性和优越性.