基于选择多分辨率Kohonen网络的自适应灰度图像分割方法

针对多阈值分割中存在的问题，提出一种新的基于测量空间的空间聚类方法，即基于选择性多分辨率Ｋｏｈｏｎｅｎ网络的自适应灰度图割方法，算法的优点在于不需预知图像分割 ，能够动态地根据图像局部的特性决定，实验证明该方法具有良好的适应性。     

模糊选择多分辨率Kohonen聚类网络用于灰度图像分割

基于模糊分割、模糊分割子集的概念提出一种新的具有模糊选择多分氕 Ｋｏｈｏｎｅｎ聚类网络用于解决原有选择多分辨率网络结构存在的样本子集不、误差逐层传递等总是为了便于对原有网络缺陷的分析及使新的算法更具一磐性,将Ｋｏｈｏｎｅｎ聚类网络作为聚类分割算法的特例,从集合论的角度对聚类分割问题的基本概念及算法加以定义,将新的网络用于灰度图像分割,实验表明该方法有效地改善了分割效果。     

多分辨率多上下文的脑磁共振图像自动分割

文章提出了一种新的脑磁共振图像自动阈值分割算法,该算法综合多分辨率和多上下文的思想,具有更好的抗噪声能力。多分辨率阈值法只考虑了多尺度下灰度级的一致性,不能兼顾图像各局部之间的不均匀性,而多上下文方法恰好弥补了这方面的不足。临床脑磁共振图像实验的结果表明,多分辨率多上下文的算法(MRMC)改进了分类精度,抗噪声能力优于单上下文的方法。     

基于区域特征的自适应图像分割方法

本文提出一种以图像统计假设模型和系统条件熵相结合的自适应图像分割新方法，该方法能依据图像统计特征自适应地改变自组织特征映射网络的权值，解决卫传统图像分割方法所存在参数需要人工调整、无法获得最优解的问题。实验结果表明，本文方法对于复杂图像的分割具有很好的鲁棒性和有效性。     

图像分割的自适应FKCN方法

模糊Kohonen聚类网络(FKCN)是一种自组织模糊神经网络,由于它巧妙地将模糊c-均值(FCM)的概念引入Kohonen网络的学习机制中,所以在处理图像中广泛存在的模糊性和不确定性时表现出强大的优势.但将它用于图像分割时却存在着许多缺陷,如网络节点无法自动确定、网络收敛速度慢、计算量大等,从而使FKCN的应用受到限制.针对这些问题,本文提出了一种能根据目标图像的灰度分布特征自动确定网络结构的自适应FKCN算法.通过采用新的模糊算子及在网络学习过程中变换迭代样本空间,大大加快了网络的收敛速度、改善了分割结果.     

基于自组织映射网络的图像分割算法

针对K—Means图像聚类分割算法需要预先知道图像分割数,且对初始聚类中心较为敏感等问题,提出了一种基于SOFM（自组织特征映射网络）的图像聚类分割算法。该算法结合SOFM聚类及合并聚类分析,能够自动确定分割块数并得到有效的K-Means初始聚类中心。实验结果表明该算法具有运行效率高、分割效果好等优点,在实际应用中是可行的。     

多分辨率图像锥的FCM聚类图像分割算法

模糊C-均值（FCM）聚类算法是一种基于像素分类的图像分割方法，在分割的过程中，仅仅利用了像素点的灰度信息，但在灰度密度丰富变化和图像的对比度不明显的情况下，物体和背景的分布将相互重叠而密不可分，往往得不到满意的分割效果。为了解决上述问题，现提出了一种基于多分辨率图像锥的模糊C-均值聚类图像分割算法。该方法利用多分辨技术产生多分辨率图像锥，将图像从空间信息引入，考虑图像的局部特性，使分割算法局限于图像的子图像中，物体和背景比单纯运用FCM更容易区分，且算法稳定性高，速度快。     

基于灰度变化的最小交叉熵图像分割

论文提出了一种基于灰度变化的最小交叉熵图像分割算法。该算法用于在夹杂较强的散斑、噪音以及亮度不均的图像数据环境中分割相关区域。算法参考目标粒子边缘与局部背景的梯度,将全集分割为灰度分布明显不同的子集,寻找使得与全集交叉熵变化最小的子集,抹去子集的局部灰度偏移特征,然后将变化后的子集合并再进行传统的阈值分割。实验表明该算法具有运算量少、分割结果自适应性好的特点。     

基于分形和神经网络理论的多尺度图象分割方法

特征空间聚类分割方法存在的关键问题是有效的特征参数提取和聚类方法的构造。针对这两个问题,本文采用小波变换的多尺度分析方法提取图象的多尺度分形维数作为分割特征参数,用Kohonen自组织特征映射实现特征空间聚类,获得了良好的分割效果。     

基于局部兴奋全局抑制振荡网络的图像分割

将局部兴奋全局抑制振荡网络（ＬｏｃａｌｙＥｘｃｉｔａｔｏｒｙＧｌｏｂａｌｙＩｎｈｉｂｉｔｏｒｙＯｓｃｉｌａｔｏｒＮｅｔ－ｗｏｒｋ,简称ＬＥＧＩＯＮ）应用于图像分割．将侧电势引入振荡子的动态行为,有效地克服了噪声对主要区域的影响．用含噪声的二值图模拟了ＬＥＧＩＯＮ的时间演化．根据大脑区域分割特征聚合原理的相近性、相似性和连通性原则,设计了分割灰度图的网络连接权．用ＨＳＩ色空间设计了突出Ｈ分量的连接权,得到了比基于ＲＧＢ色空间分割更为满意的分割效果．     

基于神经网络的红外焦平面非均匀性自适应校正算法

由于材料、工艺等原因,红外焦平面阵列(IRFPA)各单元普遍存在响应不一致的现象,从而导致IRFPA都存在非均匀性.非均匀性校正(NUC)是红外图像处理系统中的重要环节.本文在研究了传统的基于神经网络的NUC算法的基础上,提出了一种改进的基于神经网络的非均匀性自适应校正算法,并对比了传统的基于神经网络的算法和本文算法的校正效果和收敛速度,实验表明本文提出的算法校正效果好,收敛速度快.     

基于改进的脉冲耦合神经网络的红外目标分割方法

针对红外目标的特点,提出了一种基于直方图的改进脉冲耦合神经网络（PCNN）图像分割方法,本算法摒弃了原有脉冲耦合神经网络模型中的时间指数下降机制,利用灰度直方图的知识直接获得PCNN的分割门限,同时保留了弥补空间罅隙和灰度微小变化的优点,实验表明本算法分割得到的目标区域更加完整,并提高了运算速度。     

用细胞神经网络实现图像恢复的一种新方法

文中提出并讨论了用细胞神经网络实现图象最大熵恢复的可能性,并基于对最大熵方法的物理实质分析推出了相应细胞神经网络模板的新设计方法,针对二值图象的恢复问题进行了计算机仿真,结果证明了这一方法是可行的。     

基于脊波和神经网络的大压缩比遥感图像压缩

为了实现大压缩比的遥感图像压缩,利用神经网络的自组织、并行计算和分布式存储的能力,提出一种基于神经网络的压缩方法.在传统单隐层前向神经网络的基础上,该网络使用一种新的能有效处理直线型和曲线型奇异性的多尺度几何分析工具-脊波,作为隐层神经元的激活函数.它不仅具有神经网络压缩的优点;并且由于脊波良好的时、频和方向局域化特性,能够对遥感图像的边缘和轮廓实现更加有效的表示.仿真结果表明:该方法不仅能实现较高的压缩比,而且具有重建图像质量好、学习快速和鲁棒性强等优点.     

基于遗传算法的图像阈值分割

该文将遗传算法用于Otsu法和KSW熵法两种图像阈值分割方法中,进行了针对图像分割的遗传程序所需的参数设计,并采用遗传算法实现单阈值和多阈值图像分割。实验结果表明分割速度快于传统阈值分割法,缩短了运算时间。     

基于二维最大相关准则的图像阈值分割

提出了基于二维最大相关准则的自动阈值图像分割算法．该方法根据图像的二维直方图中目标和背景分布的相关量最大来选择阈值,能够实现比传统最大相关准则更强的抗噪声能力．同时将遗传算法用于对二维最大相关准则阈值分割的优化,试验结果表明该算法可以实现快速、准确图像分割．     

用自产生和自组织神经网络对超声医学图像进行自动分割

本文研究用自产生和自组织神经网络方法进行超声心脏图像的自动分割。这种无监督的聚类方法能够自动搜索最佳的网络输出节点数而获取图像中的目标数,从而完成对图像的自动分割。实验结果表明,与自组织特征映射方法相比,本文的方法具有许多重要的优点。