基于脉冲耦合神经网络和形态学的改进去噪算法

通过总结脉冲噪声的特点和脉冲耦合神经网络以及数学形态学去噪的工作方式,提出了一种基于脉冲耦合神经网络模型和形态学的改进的脉冲噪声去除算法,该算法在一定程度上降低了在恢复图像的过程中噪声之间的相互干扰。实验结果表明,文章提出的改进算法的实验效果要明显优于申值滤波和数学形态学滤波算法,也要优于基本的基于脉冲耦合神经网络和形态学相结合的去噪算法。     

基于脉冲耦合神经网络的图像融合

该文在脉冲耦合神经网络(PCNN)基本摸型的基础上得出并行脉冲耦合神经网络群,并在此基础上提出了一种基于脉冲耦合神经网络的图像融合算法,该算法能够将多传感器获取的同一对象的多个图像融合于一幅图像中,有效模拟了人类视觉系统;最后对图像进行了实验,分析了参数的影响,得到了较好的结果。     

基于脉冲耦合神经网络的灰度图像边缘提取

提出一种局域窗口内边缘值的计算方法，用所得的结果调制脉冲耦合神经网络神经元的脉冲发放值，利用神经元的同步脉冲发放特性进行图像的边缘提取，在一定程度上消除了噪声的影响，提高了边缘提取的自适应性和准确性。此外引入了图像增强机制，用网络的输出实时地计算更新图像灰度值，从而提高模糊边缘的检测质量。实验表明该算法可以得到令人满意的结果。     

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。     

基于脉冲耦合神经网络的图像插值算法

为解决数字图像插值过程中边缘锯齿和图像模糊问题,提出一种基于脉冲耦合神经网络(PCNN)的图像插值算法。利用PCNN同步脉冲发放特性,获取图像的各个集群及点火路径,对集群内和集群间隙的像素采用不同插值方法完成整幅图像的插值。实验结果表明,与双线性插值和三次B样条插值方法相比,该算法在主观视觉效果方面有所改善,峰值信噪比均获得0.2 dB以上的提高     

基于双向搜索的脉冲耦合神经网络的图像分割

脉冲耦合神经网络（Pulse Coupled Neural Network PCNN）是基于猫视觉原理构建的一种简化的神经网络模型。为了快速进行图像分割,本文提出了基于双向搜索的脉冲耦合神经网络（Bidirectional search PCNNBPCNN）。与传统PCNN不同,BPCNN模型可同时自上而下和自下而上点火。当BPCNN与最大熵结合时,可以同时双向寻找最佳阈值,大大提高网络运行速度。通过灰度图像实验验证该模型取得了较好的效果。     

基于显著性与脉冲耦合神经网络的图像分割

针对复杂图像易受背景干扰的问题,提出一种基于显著性与脉冲耦合神经网络(Saliency and Pulse Coupled Neural Network,SPCNN)的图像分割方法。首先,利用显著性检测算法和最大类间方差法获得显著性图以及目标图像,排除了背景对初始种子点选取的干扰;然后,计算出显著性图的质心,并将其作为初始种子点;最后,采用改进的基于区域生长的脉冲耦合神经网络对目标图像进行分割。在Berkeley图像库和Ground truth Database图像库上对SPCNN模型进行了验证。实验结果表明,在一致性系数CC、相似性系数SC、综合指标IC 3个方面,SPCNN模型均优于所对比的PCNN模型、区域生长模型和RG-PCNN模型。     

基于简化脉冲耦合神经网络的图像融合实验

将基于NSST域的简化脉冲耦合神经网络(Simplified Pulse Coupled Neural Network,SPCNN)模型应用到图像融合中.文章选取一组医学图像(CT和MRI)和一组遥感图像(可见光和红外),分别采用SPCNN算法和传统算法进行图像融合对比实验.实验结果表明,SPCNN算法在主观视觉方面得到较好的效果,还提高了算法运行速率,保留了更多的图像细节信息.     

基于脉冲耦合神经网络的自适应图像滤波

为有效滤除灰度图像中的椒盐噪声并保留图像的边缘及细节信息,提出一种简化的阈值单向衰减脉冲耦合神经网络(PCNN)点火矩阵自适应图像滤波方法,简化的PCNN结构减少了所需参数并提高了运算速度。该方法通过对PCNN点火矩阵的分析,定位出被噪声污染的像素,只对噪声像素进行滤波,因而有效地保留了图像的细节信息;并根据椒盐噪声的特点,动态估计图像的噪声强度,自适应地选择滤波窗口的大小和滤波次数。实验结果表明提出方法较常见的图像降噪方法在滤波效果、自适应性及保留图像细节方面有明显的优势。     

一种新的基于PCNN的图像脉冲噪声滤波算法

为了更好地滤除图像中的脉冲噪声,在分析脉冲耦合神经网络(PCNN)的工作机理的基础上,在PCNN中引入了点火映射图的概念,并提出了一种新的基于PCNN点火映射图的图像脉冲噪声滤波器。该方法首先通过运行PCNN把噪声图像转化为点火映射图,然后利用点火映射图对图像中的脉冲噪声进行定位,最后仅对定位的噪声进行自适应滤波。计算机仿真实验表明,该方法的去噪效果优于传统方法,从而验证了该方法的有效性、合理性。     

基于PCNN的彩色图像混合噪声滤除

针对基于阈值线性衰减输出带权均值型脉冲耦合神经网络(L&;A-PCNN)的彩色图像混合噪声滤除在进行图像滤波时易产生噪点误判,从而导致污迹斑的问题,结合混合噪声性质,以及PCNN模型的点火特征,对L&;A-PCNN算法做出进一步改进,建立新的噪点判断方法,提出基于L&;A-PCNN的彩色图像混合噪声滤除改进型算法,仿真实验证明了其有效性。     

改进型脉冲耦合神经网络在图像处理中的动态行为分析

为了进一步拓展脉冲耦合神经网络(Pulse coupled neural network, PCNN)在图像处理领域的应用深度, 本文对改进型PCNN在图像处理中的动态行为结合网络参数进行了具体的理论分析和公式推导, 明确了PCNN的动态行为特性受网络参数变化的影响, 并给出了保证其所有神经元只点火一次的网络参数确定准则, 最后将改进型PCNN应用于实际图像分割中. 实验结果证明了其动态行为特性与参数确定准则之间关系的正确性和算法的有效性.     

简化型PCNN 的混合噪声图像滤波算法研究

针对脉冲噪声和高斯噪声构成混合噪声的特点,提出了一种基于简化型脉冲耦合神经网络( Pulse Coupled Neural Network,PCNN) 滤波算法,利用了简化模型的几个技术特性,适当的选取参数,并在算法中结合了形态学方法、中值滤波和维纳滤波,该算法相对于均值滤波和中值滤波算法来说具有更好的抑制混合噪声干扰的能力,能较好地保持图像的边缘和细节信息。通过大量实验证实,应用简化型PCNN 滤波算法对滤除灰度图像所受混合噪声的效果较好。在与其他算法的比较中,该算法优于传统的滤波算法,不但能有效地滤除混合噪声,并且计算量适中,具有较好的实时性,同时随着图像受混合噪声污染程度的增大,优势更加明 显。     

认知无线电中基于改进脉冲耦合神经网络的频谱分配算法

本文研究认知无线电中的频谱分配问题,分析了脉冲耦合神经网络(PCNN)模型的脉冲传递和数据耦合特性在频谱分配中的作用,研究了授权用户可占用时间对认知无线电通信系统的影响,改进了PCNN模型,提出了一种基于PCNN的频谱算法,在避免频谱干扰的前提下缩短了频谱跨度,减少了频率的使用个数;将授权用户的可占用时间作为分配频谱的依据之一,在保证授权用户通信的基础上提高了系统中非授权用户的吞吐量。最后通过实验证明了算法的有效性。     

基于简化PCNN的车牌定位算法

为了提高车牌定位效率,提出一种混合简化脉冲耦合神经网络(PCNN)和快速连通域标记的车牌定位算法。基于简化PCNN进行图像增强,利用车牌字符的连通域特征、纹理特征和结构特征对增强后的二值图像进行过滤、筛选,得到图像中大致车牌区域,再对所得区域左边界起始的左扩展区域做垂直投影,确定车牌中汉字区域,从而定位车牌。实验结果表明,该算法性能优于其他车牌定位算法,其定位准确率为97.5%。     

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。     

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.