基于PCNN模型的区域生长图像分割

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法.该方法将待分割图像的像素点映射为PCNN模型中的神经元,把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割.实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整,区域划分更加准确,分割效果更能符合人眼视觉的识别特征.

基于区域生长的网格模型分割技术

针对三角形网格模型简化中保持细节特征的要求,提出了以顶点和三角形作为种子的区域生长策略,并采用可变阈值的生长方法.首先将与顶点相关的三角形面积的均值作为顶点的属性值,在区域生长过程中重复选择具有极大属性值的图元作为种子;在预分割后,区域要进行合并和平滑处理.实验表明,该方法快速有效,能够满足网格模型简化中保持局部区域特征的需要.

基于信息量的脉冲耦合神经网络改进分割算法

目的解决区域生长简化脉冲耦合神经网络(PCNN)算法中由于阈值参数选取不当导致的分割不足与过分割问题。方法在区域生长简化PCNN算法中引入熵来刻画图像的信息量。结果避免了对阈值参数选取。结论基于信息量的PCNN改进算法在分割精度、算法的稳定性等方面均优于简化区域生长PCNN算法。