基于相似度阈值模糊聚类的红外区域提取方法

针对输电线路电力设备红外图像热故障区域检测,提出采用一种基于相似度阈值的模糊聚类热故障区域提取方法。在该方法中,改进了传统模糊均值聚类算法的迭代求解方式,采用一种阈值化模糊聚类;其次,通过对目标区域局部邻域像素的相似度聚类分析,并结合其隶属度的计算,确保局部邻域像素在聚类上的相似性。同时,引入了最大相似度阈值准则简化均值的设置以及自高向低的迭代方式,从而提升区域提取效率。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。     

基于Canny算子的简化PCNN电力故障区域提取方法

为了较好地实现电力设备红外图像故障区域提取,提出了一种基于Canny算子边界检测的脉冲耦合神经网络(Pulse-coupled Neural Network,PCNN)红外图像区域提取方法。在该方法中,首先以PCNN模型同步点火特性为基础,通过优化原始PCNN模型内在的参数,使得模型迭代过程中将图像转换成为时间点火序列,然后引入Canny边界检测算子并结合区域灰度特性,获取最佳时刻的脉冲输出信息,实现红外图像中热故障区域的有效提取。最后通过真实红外故障图像测试,验证了文中方法的有效性和适用性,同时方便了后续的特征提取与识别。     

基于改进脉冲耦合神经网络的电路板红外图像分割

电路板红外图像发热芯片区域准确分割是电路板故障诊断的关键步骤,但灰度不均匀、目标区域多、辐射噪声大使电路板红外图像的准确分割变得较为困难。针对这一问题,本文提出一种改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)红外图像分割模型。首先,调整传统PCNN的模型结构,将图像梯度信息作为输入信号增加到模型输入域;其次,基于最大似然估计原理,推导出链接系数β的动态调整方法;最后,在脉冲发生域引入边缘约束算法,防止邻域神经元误捕获,增强目标区域的可分割性。实验结果表明,改进模型能够有效降低背景及辐射噪声影响,准确分割出不同类型电路板红外图像目标芯片区域,在视觉效果、区域一致性和对比度方面均优于已知的Ostu、K-means和传统PCNN模型,分割性能得到明显增强。     

一种基于PCNN的图像噪声消去方法

提出了一种基于PCNN(脉冲耦合神经网络)的图像椒盐噪声消去方法,针对椒盐噪声的特点,根据PCNN集群点火特性,结合邻域均值滤波器较好地进行了图像平滑.试验证明,该方法不仅能够有效地去除椒盐噪声,对图像纹理和边缘的保护也较好.     

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。     

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。     

一种改进型脉冲耦合神经网络及其图像分割1

本文结合人类视觉系统(HVS)对图像信息含量区域敏感度不同这一特性,以神经元接近点火程度的一致性描述图像空间邻域所含的信息量,对通常的脉冲耦合神经网络模型(PCNN－Pulse Coupled Neural Network)进行了改进,提出了一种基于改进PCNN的图像自适应分割算法.该算法根据象素及其周边区域的信息量大小发放不同值的脉冲,从而自适应地将图像分为多个不同等级的高低信息区域,较好地仿真了人类视觉系统特性.最后对用这种方法进行图像分割的结果进行基于信息量的图像压缩,在压缩比和重建图像主观视觉感知质量上均达到了良好的性能,表明了本文算法的可行性和有效性.     

基于人工鱼群优化的自适应脉冲耦合神经网络图像融合

针对传统脉冲耦合神经网络(PCNN)图像融合算法中 最优融合结果无法自适应确定及神经元参数取固定常 数所造成的同步脉冲周期无法随图像特征改变的不足,提出了一种基于人工鱼群寻优的自适 应双通道 PCNN图像融合算法。利用合成空间雷达(SAR)图像的辐射分辨率和可见光图像的清晰度分别 作为双通道PCNN 对应神经元的链接强度值,PCNN的信号衰减常数、阈值放大系数和水平调节因子3个参数 采用人工鱼群 寻优,目标函数由互信息(MI)和结构相似度(SSIM)两种图像质量 评价指标构建,最终获得近似最优的融合图像。实验 结果表明,本文算法图像融合结果优于传统拉普拉斯变换、离散小波变换和参数取固定值的 PCNN图像融合算法及其一些改进算法。     

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.     

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。     

基于优化PCNN与区域特征引导法则的图像融合

针对传统红外与可见光图像融合算法存在着边缘信息缺失、目标特征不够突出等问题,本文提出一种基于优化脉冲耦合神经网络(PCNN)与区域特征引导法则的红外与可见光图像融合算法。首先,对红外与可见光图像分别进行非下采样剪切波变换(NSST),获取相应的低频分量和高频分量。其次,低频分量采用基于优化PCNN模型的融合规则进行融合;对于高频分量,利用图像的区域能量、改进空间频率和区域方差匹配度等特征,提出自适应的区域方差匹配度阈值和调节因子,构造区域特征引导法则完成融合。最后,对融合后的低高频分量进行NSST逆变换,获取融合图像。实验结果表明,本文算法可有效综合图像的优势信息,并在主观视觉和客观指标上均具有明显的优势。     

交叉熵约束的红外图像最小错误阈值分割

针对目标和背景具有相似统计分布的红外图像,经典阈值分割方法仅以某种形式的方差或熵作为准则,未考虑图像的实际特性,分割效果不甚理想。为此,提出了一种基于交叉熵约束的红外图像最小错误阈值分割新方法。首先,引入交叉熵来度量目标和背景统计分布的相似性,交叉熵越小表明分布越相似;然后在交叉熵小于一定值的条件下使分类错误达到最小。交叉熵的约束保证了分割过程适应红外图像实际特性,分类错误最小确保了分割效果的有效性。该方法原理清晰、参数设置简单,在一系列实际图像上的实验结果表明,与现有几种经典阈值分割方法相比,文中方法有效提高了目标和背景具有相似统计分布的红外图像的阈值分割准确率。     

基于多尺度变换的PCNN和FOA图像融合

为解决传统的图像融合算法融合质量不高的问题, 提出一种采用果蝇优化算法(FOA) 自适应地选取脉冲耦合神经网络(PCNN)的4个参数并将其与多尺度变换相 结合的图像融合方法。首先利用4种多尺度变换对待融合图像进行分解,对得到 的低频分量采用 PCNN和FOA的融合规则进行处理,对高频分量采用绝对值最大的原则进行系数选择,最后 通过逆变换 得到融合后的图像。实验结果表明,与常用的融合规则对比,在 主观效果上,本文融合规则能够更有效地保留源图像中的细节信息,提高融合图像的质量; 在客观指标上, 本文方法的融合图像在互信息(MI)、边缘保持度QAB /F、熵(entropy)、平均结构相似度(MSSIM)以及标准差(SD )等客观评价指标上更为优越。     

基于能量梯度场映射关系的红外图像分割方法

为了解决红外图像在图像配准中对比度低、背景复杂、红外目标受噪声干扰严重、传统分割方法易产生过分割或欠分割的问题,提出了一种基于改进的脉冲耦合神经网络(PCNN)和形态学方法的红外图像分割算法。首先根据图像能量分布情况提取纹理图像,将纹理图像通过PCNN进行分割,PCNN的链接强度根据区域能量在梯度场的变化自适应设定;由于PCNN的点火位置集中于红外目标部分,通过点火映射图可以得到连贯清晰的红外目标轮廓;再通过形态学方法滤除背景干扰。结果表明,该方法能够精确分割红外图像,分割结果优于传统方法。     

基于标准差梯度的模糊边缘检测算法

红外图像的边缘检测是图像处理领域的难题之一。结合红外图像的特点,将最小误差原理推广到模糊域进而应用到红外图像的边缘检测上,提出了一种基于标准差梯度的红外图像模糊边缘检测算法。首先提出了一种基于标准差的梯度算子,将图像中潜在的边缘区域很好地区分出来;而后引入模糊最小误差阈值算法．根据此算法自适应提取了标准差梯度图像中的最优阈值,从而实现了红外图像的目标边缘检测。与传统的基于梯度的红外图像边缘检测算法进行对比实验,结果表明,该算法用于红外图像边缘检测能获得更好的效果。     

基于PCNN与IFS的可见光与红外图像融合方法

鉴于传统的可见光与红外图像融合方法存在的边缘 模糊与清晰度低等问题,提出了一种基于脉冲耦合神经网络(PCNN)与直觉模糊集(IFS) 的可见光与红外图像融合改进算法。该方法首先利用IHS变换,分离可见光图像的亮度信息 I;其次,利用非下采样轮廓波变化(NSCT)将I分量与红外图像分别进行分解,得到高低频系数;对低频部分采用高斯隶属函数 和直觉模糊集进行融合,对高频部分采用PCNN模型进行融合;再次,通过非下采样轮廓波逆 变化得到融合图像的I分量;最后,进行IHS逆变换得到彩色融合 图像。大量仿真结果表明,这种融合方法能很好地保留可见光与红外光源图像的特征信息和 细节信息,融合后的图像的轮廓更加清晰,具有更良好的视觉效果。与现有的其它红外光和 可见光图像融合方法相比,本文提出的方法,其融合图像的熵值、边缘保持度、互信息、标 准差、结构相似度等指标都有明显的提高,有效地验证了本文算法的有效性。     

基于离散正交小波变换的红外图像去噪方法

提出红外图像去噪方法，将小波变换与广义交叉确认原理相结合，在噪声方差未知的前提下，只利用红外图像的输入数据就可以确定所要求的渐近最优阈值。对红外图像进行离散正交小波变换后，分别对各个分解层的高频子带利用所提出的方法进行迭代去噪，使各个高频子带分别收敛于其最大信噪比。实验结果表明，该方法在有效地去除噪声的同时，能较好地保持红外图像的细节信息。算法在性能指标和视觉质量上均优于Donoho提出的小波阈值去噪方法、Johnstone提出经过调整的小波阈值法和传统的中值滤波法。