基于PCNN和最大灰度熵图像分量的彩色图像分割

为提高彩色图像的分割效果,提出了一种最大灰度熵图像分量和脉冲耦合神经网络(PCNN)相结合的彩色图像分割方法.将彩色图像转换到符合人眼视觉特征的色调饱和度亮度(HSV)颜色空间中,选取灰度熵值最大的分量图像,用PCNN增强以增大感兴趣区域对比度,对增强后的分量图像运用PCNN进行循环分割,当二维Renyi熵值不再大于前一次的值时,终止PCNN的循环分割,获得最佳分割结果.运用多种评价指标对所分割的结果进行评价,评价结果表明:提出的算法能够有效实现对彩色图像的分割,尤其在图像细节方面,比传统的彩色图像分割方法表述得更为清晰.     

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。     

基于脉冲耦合神经网络的图像分割

针对传统脉冲耦合神经网络(PCNN)模型在图像分割时需要设置较多参数和不能准确分割低对比度图像的问题,提出一种简化的PCNN模型和改进算法。在简化模型中减少了在传统PCNN模型中需要设置的参数的数量;在改进算法中根据图像像素空间和灰度特征自适应设置模型参数,并根据图像灰度直方图求出灰度期望均值作为图像分割阈值,因此该算法无需选择 循环迭代次数,只需一次点火过程就能实现图像的有效分割。实验结果表明,该方法能准确分割图像,纹理细节清晰,分割结果优于人工调整参数的PCNN方法和Otsu方法。     

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。     

图像分割中PCNN的应用研究

第三代人工神经网络——脉冲耦合神经网络(PCNN)在图像分割领域受到极大的关注,描述了PCNN模型原理,总结了PCNN应用于图像分割时存在的问题,分析了目前对这些问题的解决方法及其实现原理。在此基础上,指出各类方法的优缺点,展望了PCNN应用于图像分割的研究方向,模型中参数设置对分割结果影响的理论依据需要更深入的研究。     

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。     

一种用PCNN进行图像边缘检测的新方法

文章提出了如何用一种根据动物大脑视觉皮层同步脉冲发放现象提出的人工神经网络---脉冲耦合神经网络(PCNN—PulseCoupledNeuralNetwork)进行二值图像边缘检测的新方法。计算机仿真结果表明,使用PCNN可有效地提取被噪声污染的二值图像的边缘。对于256级的灰度图像,可先用PCNN将原始的256级灰度图像分割为二值图像,接着再用该算法进行边缘检测。     

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PCNN的灰度图像边缘检测方法

脉冲耦合神经网络(PCNN)最初由Eckhorn根据猫大脑中视觉皮层神经元的同步脉冲(SynchronousBurst)现象而提出。由于具有一系列良好的特性,PCNN在图像处理、模式识别等领域获得了广泛的应用。文献[6]根据PCNN的传播特性提出了一种利用PCNN检测二值图像边缘的有效方法,但这种方法并不能直接用于对灰度图像的边缘进行检测。由于实际处理的图像大部分为灰度图像,因而其方法的适用性是很有限的。该文提出了一种基于PCNN的灰度图像边缘检测方法,从而直接对256色灰度图像的边缘进行提取,具有较好的适用性。实验结果表明该方法是有效的。     

基于PCNN神经网络的图像去噪算法研究

图像噪声的去除一直是图像处理领域的难点,以往介绍的去噪方法主要用于去除二值图像的噪声,不能用于灰度图像的去噪,而且在去噪的同时会引起图像的模糊,为了解决问题,根据PCNN的工作原理和噪声的特点提出了一种改进的基于PGNN的去噪方法.计算机仿真实验结果表明该方法能在有效去除椒盐噪声的同时,很好地保留了图像的细节,防止了图像的模糊,对图像的恢复、图像的识别是十分有益的,但对于严重的高斯噪声,去除效果还不是很理想,该算法有待改进.     

利用脉冲耦合神经网络的纹理图像检索方法

为提高基于内容的图像检索系统(CBIR)中纹理特征提取的有效性,进一步提升CBIR系统的整体性能。提出了一种基于脉冲耦合神经网络的纹理图像检索方法。脉冲耦合神经网络(PCNN)是新一代的人工神经网络,在数据处理上具有很多优势。特征提取时具有平移、旋转、尺度、扭曲等不变性,以及很好的抗噪性,而这一点非常适合于图像检索系统。利用PCNN及简化模型ICM得到对应于不同灰度值的二值图像序列,计算序列中每幅图像的熵序列,其一维的特征矢量作为纹理特征。采用Eu-clidean距离进行相似度计算,建立了一套基于示例查询图像的纹理图像检索系统。实验结果表明,与小波包等特征提取方法相比,该方法不仅对噪声具有较强的鲁棒性,同时能降低特征向量维数,具有尺度、平移和旋转不变性,而且能取得更高的检索率。     

PCNN在金属拉链缺陷检测中的应用

针对传统金属拉链缺陷人工检测方法效率低、稳定性差、误检率高等缺点,提出一种基于脉冲耦合神经网络（Pulse Coupled Neural Networks,PCNN）和灰度跃变检测的金属拉链缺陷检测方法。针对拉链图像的特点,通过对传统PCNN进行改进以提高金属拉链图像二值分割处理速度;将传统PCNN和形态学理论相结合,提取链齿特征图像;采用区域像素统计与灰度跃变检测的方法实现金属拉链缺陷自动检测;完成检测系统的设计并进行实验研究。实验结果表明提出的检测方法快速、准确、可行。     

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。     

Automatic image segmentation based on PCNN with adaptive threshold time constant

PCNN is a novel neural network model to simulate the synchronous phenomenon in the visual cortex system of the mammals. It has been widely used in the field of image processing and pattern recognition. However, there are still some limitations when it is applied to solve image processing problems, such as trial-and-error parameter settings and manually selection of the final results. This paper studies a simple model of PCNN(S-PCNN) and applies it to image segmentation. The main contributions of this paper are: (1) A new method based on the simplified model of PCNN is proposed to segment the images automatically. (2) The parameter settings are studied to ensure that the threshold decay of S-PCNN would be adaptively adjusted according to the overall characteristics of the image. (3) Based on the time series in S-PCNN, a simple selection criteria for the final results is presented to promote efficiency of the proposed method. (4) Simulations are carried out to illustrate the performance of the proposed method.     

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的指纹特征提取算法

具有生物背景的脉冲耦合神经网络具有自适应提取指纹特征的特性,基于此,首次提出了一种指纹图像特征提取的新方法一一自适应耦合神经网络点火统计图的,此图不仅包含了指纹图像的灰度特征,还包含相邻像素之间的几何位置信息。此方法具有运算速度快及对旋转、平移、尺度不变性,是许多指纹特征提取算法不具备的优点。最后给出了部分实验的结果,以验证该方法的有效性．     

非降采样Contourlet域内空间频率激励的PCNN图像融合算法

Nonsubsampled contourlet transform (NSCT) 能够提供灵活的多分辨率分解, 具有各向异性和图像方向性扩展特点. 与原始的Contourlet相比, 它是频移不变的, 能有效克服Contourlet变换中的伪吉布斯现象. 脉冲耦合神经网络(Pulse Coupled Neural Networks-PCNN)是一种具有视觉生理学基础的神经网络, 具有全局耦合和神经元同步脉冲发放特性, 已经被成功应用于图像处理和图像融合中. 本文将NSCT与PCNN结合起来, 充分利用二者的特性. 以NSCT变换域内系数的空间频率激励PCNN神经元, 选择点火次数大的系数作为融合图像的系数, 经NSCT反变换得到融合图像. 实验表明, 本文算法无论在视觉效果还是客观评价指标上, 都优于基于小波变换、基于Contourlet变换、基于PCNN和基于Contourlet-PCNN等融合算法.