彩色图像球空间中改进DCNON分割算法的研究

提出一种基于改进振荡神经网络的彩色图像分割方法.该方法将彩色图像从RGB的三维笛卡尔空间转换到球坐标空间,去除由光照和纹理引起的背景噪声,构成平滑的相位灰度图;将相位灰度图影射到动态耦合振荡神经网络的二维平面上;利用改进结构的算法对相位灰度图进行分割,得到稳定、快速和可靠的分割结果.     

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。     

改进的PCNN用于遥感图像分割

遥感图像通常具有分辨率低、对比度弱的特点,采用经典的脉冲耦合神经网络模型分割时,难以得到理想的分割效果.为了解决这一问题,考虑神经元之间的相似程度和神经元之间距离的远近,采用高斯函数定义神经元之间的相似度,重新描述神经元之间的激励和抑制关系,改进了连接输入项和动态阈值,得到新颖的脉冲耦合神经网络模型,对新模型的动态行为进行理论分析.为了进一步说明改进方法的有效性,对遥感图像进行仿真对比实验,实验结果表明改进的脉冲耦合神经网络模型优于其它分割方法,更适用于遥感图像的分割.     

一种基于矢量PCNN的彩色图像自动分割算法

为了对彩色图像实施自动分割,在彩色图像RGB空间中,对传统PCNN模型进行了改进与推广,提出一种基于指数熵矢量脉冲耦合神经网络(VPCNN)彩色图像自动分割新算法。该方法在考虑VPCNN互联矢量神经元动态时空相似特性的同时,利用改进指数动态阈值矢量与神经元内部活动项矢量间的信息对比关系确定分割图像的目标和背景区域,结合最大指数熵判据来达到彩色图像的自动分割,并与最大香农熵准则VPCNN分割方法做了比较。实验结果表明:算法具有图像分割精度高、适应性强、能较好地保持彩色图像边缘和细节等信息的优点。     

一种改进型的PCNN路面裂缝检测方法

路面病害的视觉自动检测一直是公路养护研究的热点问题,针对传统脉冲耦合神经网络(PCNN)在路面图像分割中的参数选择以及迭代中最佳分割结果的选择问题,提出通过简化脉冲耦合神经网络的模型,对关键参数自适应以及神经元点火条件的改进,以图中最大的裂缝作外接矩形,在迭代去噪过程中,外接矩形面积大大减小或矩形内部出现更多裂缝,表明出现过分割,利用该特征可以确定迭代中止,取上一次迭代结果,并用连通域分割去除细小噪声。通过受试者工作特征(ROC)曲线分析,该算法在裂缝检测上比基于最大熵的脉冲耦合神经网络分割算法提高8.4%,比基于灰度迭代阈值算法的脉冲耦合神经网络算法提高14.7%,提高了裂缝检测的准确率和抗噪性。     

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和遗传算法相结合的新型混凝土桥梁裂缝检测方法

针对混凝土桥梁裂缝对比度低、裂缝图像噪声干扰强等难题,提出了基于脉冲耦合神经网络(PCNN)和遗传算法相结合的混凝土桥梁裂缝检测新算法(GA-PCNN)。该算法首先利用遗传算法优化裂缝PCNN模型参数,然后通过改进的最小对数误差适应度函数区分裂缝与背景,当适应度值大小几乎无变化时,停止分割图像,最后通过连通域去噪算法滤除残余噪声,实现裂缝的自动检测。比较GA-PCNN、PCNN和基于熵和动态阈值算法对裂缝图像的分割效果,并绘制PR曲线和ROC曲线评价分割质量,经计算GA-PCNN算法的PR和ROC曲线下面积为90.6%和91.6%,分别高于PCNN算法10.1%和6.8%、基于熵和动态阈值6.5%和6.7%。试验的结果表明：GA-PCNN新算法分割效果好且去噪能力强,该算法能准确地提取混凝土桥梁裂缝特征。     

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。     

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。     

结合HSV空间的改进二维Otsu免疫组化图像分割

肝脏免疫组化图像中阳性区域的定量分析对肝癌的早期诊断有非常重要的意义。针对真彩色免疫组化图像特征,结合HSV空间对二维Otsu算法进行改进。首先针对二维Otsu算法每次计算类间测度矩阵的迹需要遍历整幅图像导致运算量大耗时多的不足,提出一种快速递推算法,利用快速Otsu算法对图像进行预分割;然后针对分割结果中目标区域包含的少量阴性区域,结合图像的HSV空间特征进行优化。将预分割结果与H分量作交集运算,将交集运算结果与预分割结果作差集运算,得到初分割结果;将初分割结果与H分量和S分量的交集运算结果做并集运算,得到最终分割结果。通过与Otsu的对比实验表明,改进算法更好地实现了阳性区域的目标提取,提高了分割的精度。     

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.     

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。     

Qualitative analysis and application of locally coupled neural oscillator network

This paper investigates a locally coupled neural oscillator autonomous system qualitatively. By applying an approximation method, we give a set of parameter values with which an asymptotically stable limit cycle exists, and the sufficient conditions on the coupling parameters that guarantee asymptotically global synchronization are established under the same external input. A gradational classifier is introduced to detect synchronization, and the network model based on the analytical results is applied to image segmentation. The performance is comparable to the results from other segmentation methods.     

A transient-chaotic autoassociative network (TCAN) based on Lee oscillators.

In the past few decades, neural networks have been extensively adopted in various applications ranging from simple synaptic memory coding to sophisticated pattern recognition problems such as scene analysis. Moreover, current studies on neuroscience and physiology have reported that in a typical scene segmentation problem our major senses of perception (e.g., vision, olfaction, etc.) are highly involved in temporal (or what we call "transient") nonlinear neural dynamics and oscillations. This paper is an extension of the author's previous work on the dynamic neural model (EGDLM) of memory processing and on composite neural oscillators for scene segmentation. Moreover, it is inspired by the work of Aihara et al. and Wang on chaotic neural oscillators in pattern association. In this paper, the author proposes a new transient chaotic neural oscillator, namely the "Lee oscillator," to provide temporal neural coding and an information processing scheme. To illustrate its capability for memory association, a chaotic autoassociative network, namely the Transient-Chaotic Auto-associative Network (TCAN) was constructed based on the Lee oscillator. Different from classical autoassociators such as the celebrated Hopfield network, which provides a "time-independent" pattern association, the TCAN provides a remarkable progressive memory association scheme [what we call "progressive memory recalling" (PMR)] during the transient chaotic memory association. This is exactly consistent with the latest research in psychiatry and perception psychology on dynamic memory recalling schemes.     

基于改进的BP神经网络的血液细胞图像分割

采用BP神经网络来分割白细胞显微图像,在边缘检全上的效果尚不理想,针对此问题,提出了改进BP神经网络。提出了一种采用L-M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统模型。实验结果表明,它能有效地克服已有方法无法克服的边缘检出问题,使得分割图像能更好的接近真实图像。