基于改进型PCNN的不规则图像自适应分割算法研究

针对不规则图像成分复杂、特征形状无法采用经典模型拟合等问题,提出了基于改进型脉冲耦合神经网络（PCNN）的自适应分割算法。该算法在原有PCNN模型基础上,对神经元反馈输入函数和动态阈值函数进行了修正,同时对神经元的输出采用多级输出模型,从而实现对不规则图像的分割。仿真实验表明,改进后的算法能够实现不规则图像的自适应分割,鲁棒性较好。     

基于视觉显著性与PCNN的图像分割算法

针对射线缺陷检测图像对比度低、缺陷边缘模糊、噪声多、存在较大的背景起伏等缺点,传统缺陷检测方法难从焊缝缺陷图像中提取出对比度较低的目标缺陷的问题,该文提出了结合视觉显著性与脉冲耦合神经网络（PCNN）的缺陷分割算法。首先,利用LC算法对射线检测图像进行显著性区域检测,得到反映图像不同区域显著程度的显著图;其次,将所得到的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,相较于传统的最大类间方差（Otsu）算法和脉冲耦合神经网络算法,采用该算法分割缺陷的效果较好,其分割边缘与细节信息的清晰度高,采用该算法分割缺陷的效果有较大提升。     

基于并行点火PCNN模型的图像分割新方法

提出一种并行点火脉冲耦合神经网络(Parallelized firing pulse coupled neural networks, PFPCNN)模型的图像分割方法. 首先用改进的Unit-linking PCNN (ULPCNN)模型对图像进行增强, 便于后续的图像分割. 然后采用PFPCNN新模型对增强后的图像进行分割, 最后用最大香农熵方法判定最佳分割结果. 各种复杂场景下的仿真实验及定量评价表明, 本文提出的图像分割方法, 其效果明显优于常规的PCNN分割方法.     

基于多阈值PCNN的运动目标检测算法

在经典的基于混合高斯模型减背景算法的基础上,在脉冲耦合神经网络（PCNN）对前景和背景的分割过程中,运用了多阈值思想,其迭代次数由简化的最大熵准则决定,并且提出了一种新的模型学习率。经过实验证明,该算法在检测能力、抑制噪声、稳定性等方面得到了较好的改进。     

基于PCNN的改进Split-merge图像分割

为了更好地分割图像,对传统Split-merge算法作出改进:PCNN先进行分裂,用一种简化的Mumford-Shah模型进行合并,使得分裂阶段不仅无效分割减少,而且无方块效应,对边缘定位准确;合并阶段能够理想地将分裂后的区域合并为感兴趣的前景与不感兴趣的背景,误合并与欠合并大幅减小.对Papav, Monkey, Twoman图像的仿真表明,其分割结果和运行时间均优于AMS,MBMS算法.仿真结果证明,本文算法是一种适用于图像分割的有效算法.     

基于改进鱼群算法的多阈值图像分割

为了实现图像的有效分割,提出了一种基于改进鱼群算法的多阈值图像分割方法。引入领域搜索的思想对基本人工鱼群算法做了进一步改进;然后对最大熵函数进行全局优化,改进后的算法能够根据人工鱼的个体适应度大小和种群的分散程度自动调整鱼群控制参数,在保证群体多样性的同时加快了算法的收敛速度;最后得到分割图像的最佳阈值,克服了基本鱼群算法后期收敛性差、易陷入局部最优等问题。实验结果表明,所提算法能够获得较稳定、快速和准确的图像分割。     

PCNN和最大相关准则相结合的图像分割方法

脉冲耦合神经网络（PCNN）是有着生物学背景的新一代人工神经网络,在图像分割方面体现了优异的性能。PCNN模型在参数估计和阈值迭代方面的问题还有待解决。将一维最大相关准则和二维最大相关准则相结合来估计神经元参数,实现了图像分割的自动化并降低了运算的复杂性。仿真结果表明,该方法在分割图效果和运算复杂度方面都得到了提高,具有较好的实用性。     

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。     

基于点火频率的PCNN灰度图像分割方法研究

提出了基于点火频率的PCNN灰度图像分割方法,利用熵的变化量作为收敛判据,实现了PCNN神经网络的灰度图像自动分割。     

基于改进型脉冲耦合神经网络的图像二值分割

图象二值分割在图像分析和模式识别中是一项最基本也是最重要的预处理 ,它处理的好坏将直接影响后续的分析和处理效果。如何更有效、适应性更强地实现图像二值化 ,一直是困扰人们的一个难题。该文提出了一种新的图像二值分割方法———基于脉冲耦合神经网络的图像二值分割。它利用脉冲耦合神经网络的特性 ,实现图像的二值化。与传统图像二值化方法相比 ,它完全是一种与图像自适应的二值分割 ,易于软件和硬件的实现。对于含有丰富细节或低对比度的图像二值分割 ,该方法的优越性更为突出。实验结果表明了该方法的有效性。     

一种基于交叉熵的改进型PCNN图像自动分割新方法

脉冲耦合神经网络(PCNN)是20世纪90年代形成和发展的一种新型神经网络。为了自动地进行精确的图像分割，在基于图像处理的前提下，对现有的PCNN模型进行了改进，即从原始图像与分割图像的目标之间、背景之间的差异性出发，提出了一种基于最小交叉熵准则的改进型PCNN图像分割新方法。通过计算机仿真，该方法能够自动确定循环迭代次数和自动选取最佳阈值，并与基于最大香农熵的PCNN分割方法进行了比较。实验结果表明，该方法优于香农熵准则PCNN分割，其不仅对图像分割精度高，而且具有较强的适用性。     

基于改进PCNN的指纹图像细化算法

针对基于模板脉冲耦合神经网络(PCNN)指纹图像细化算法细化时间长、纹线断裂、细化不彻底等问题,通过增加4个细化模板,重新构造方形模板及改变细化过程,提出一种基于改进PCNN的指纹图像细化算法。实验结果表明,该算法能够较好地满足细化要求,细化彻底、速度快且纹线光滑无毛刺,能够应用于其他二值图像。     

自动分布阈值图像多目标分割算法

为解决熙度不均匀条件下亮度特征不同的多个目标图像分割问题,根据目标局部区域的灰度特征,用分布式闻值进行图像二值化分割处理,提出模糊因子可调的快速序贯性平滑滤波算法,调节模糊因子对图像快速滤噪和自动生成近似照度图像,凭借照度图像生成分布式闻值图像,给出不同类型图像的模糊系数袁,快速地分割出明暗不同的目标。实验和工业视觉系统应用均表明算法分割效果和速度均好于最优局部闻值算法,可满足实时处理要求。     

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(Particle 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TAT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。     

一种基于PCNN的多聚焦图像融合改进算法

为提高图像融合质量和融合效率,提出一种基于脉冲耦合神经网络的多聚焦图像融合改进算法。对待融合的源图像作分块处理,选取合理的图像质量评价指标,计算每个分块的指标值,归一化后相减得到指标差值。把指标差值作为外部刺激输入到PCNN模型中,得到脉冲输出结果。用脉冲输出与给定的阈值作比较,若输出脉冲超过阈值则选择指标值大的源图像块作为融合图像块,否则取指标值小的源图像块。选取互信息、交叉熵、均方根误差、峰值信噪比、结构相似度以及相关系数6个客观质量评价指标进行评价,实验结果表明,该算法可获得较好的图像融合效果。     

基于改进的JSEG算法的图像分割

针对JSEG算法在图像分割中出现的明显过分割现象,提出一种基于边缘信息的JSEG[1]改进方法。该方法首先将图像的颜色空间转换为LUV颜色空间,用PGF（Peer Group Filtering）[2]算法对图像进行平滑去噪,用分裂算法确定图像的类数,用GLA（Generalized Lloyd Algorithm）[3]算法完成量化,生成＂类图＂。然后计算每个像素的J值,并利用Canny算子检测的边缘信息,对J值进行修正,计算每个像素的局部相似程度,并在不同的尺寸下构建J图像,这样就能反映出最有可能的边界位置。最后在J图像上进行种子区域增长,直到获得最终的分割结果。实验结果表明该方法可以有效地改善JSEG算法在图像分割中存在的过分割现象。     

基于改进分水岭算法的图像分割

为了改善经典分水岭算法的过分割问题,该文将图像中的噪声视为过分割的直接因素,针对人脑核磁共振图像提出了一种基于预处理的改进算法。首先应用数学形态学的开闭运算对图像进行滤波,再求取其梯度,然后依据内外标记对梯度图像进行修正,最后在修正后的梯度图像上实施分水岭变换。实验结果表明,该方法和传统分水岭算法相比较,能有效地抑制过分割。     

基于PCNN的织物起球图像的分割

起球图像的分割是织物起球客观评定方法研究的一个重要步骤,同时也是一个非常困难的问题。针对这种图像的分割,提出了一种基于脉冲耦合神经网络(PCNN)的分割方法,该方法是利用织物表面毛球区域与未起球区域灰度强度的不同,根据PCNN神经元是否点火来分割毛球图像。通过对5种不同起球等级图像进行的分割实验证明,算法是有效的。