克隆选择算法和ICM的图像自动分割方法研究

交叉皮层模型是一种简化的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN),该模型保留了PCNN的脉冲耦合、发放同步脉冲、变阈值、产生脉冲波等重要特性,但调节参数比PCNN少,被认为具有比PCNN更加良好的图像处理能力。针对ICM模型图像分割效果取决于各个参数的优化调节,提出了一种克隆选择算法和ICM模型的图像自动分割算法。该算法的克隆选择算子以自适应方式调节,以最大信息熵作为亲和度函数,速度快,全局搜索效率高,实现了图像的自动分割。仿真表明,该算法有效可行。

基于交叉视觉皮层局部时间序列的图像判别方法

脉冲耦合神经网络的时间序列在图像检索和识别中应用广泛,但是时间序列无法体现图像的形状特征,造成图像判别失败。提出交叉视觉皮层的局部时间序列来解决上述问题。首先将图像分块,然后分别提取图像各部分的时间序列,最后将其连接形成整体的时间序列。提出的算法与基本的时间序列及加入边缘信息的时间序列比较,实验证明该方法解决了基本时间序列存在的问题,同时算法效率和准确率更高。

改进交叉视觉皮质模型的医学图像融合方法

传统的交叉视觉皮质层模型(intersecting cortical model,ICM)在图像边缘检测和图像的分割等领域得到了广泛的应用,但模型中的一些参数需要人工去选取,从而降低了模型应用结果的准确度。为了使ICM中的参数能够自适应选取,对传统的ICM进行改进,提出改进的ICM与非下采样Contourlet变换(non-subsampled Contourlet transform,NSCT)相结合的方法应用于医学图像的融合。实验结果表明,该算法无论从主观性评价还是从六个客观性评价指标均优于其他融合算法,不仅提高了图像的清晰度,而且较大程度地保留了图像的细节信息,具有边缘信息突出、亮度对比度高的优点,取得了满意的效果。

基于脉冲发放皮层模型的图像分割方法

图像分割算法对光照强度的反应较敏感,同一种算法往往很难对不同光照情况下的图像进行有效分割。基于此,提出一种基于脉冲发放皮层模型的图像分割方法。首先选用不同阶段指数函数对漏电积分器的特性近似逼近。其次,根据亮图像与暗图像之间的区别选择不同的衰减函数,使模型对不同亮度图像具有较好的适应性。实验表明该方法能够对不同光照条件下的图像进行有效地分割,同时较好地保留图像的细节信息,与改进的脉冲耦合神经网络、改进的交叉皮层模型以及二维OTSU算法相比,具有较强的鲁棒性。

基于改进交叉视觉皮质模型的彩色图像增强

为了获得更加符合人眼生理视觉感知的图像,提出了一种在HIS空间上的基于改进的交叉视觉皮质模型(ICM)的彩色图像增强算法。在分析传统ICM工作机制的基础上,保留原模型的基本特性,对模型中的内部活动项和动态阈值部分进行改进,将线性衰减变为非线性,满足了人眼对亮度感知的非线性;同时将衰减因子变为步长的减法,降低了算法复杂度并增强了算法的自适应性。结合图像增强的原理,对亮度分量采用符合视觉属性的阈值强度函数,同时对饱和度分量进行非线性处理。实验表明用该算法能获得更加清晰、鲜艳生动的处理结果。