基于参数自适应脉冲耦合神经网络的黄瓜目标分割

对脉冲耦合神经网络的参数进行简化,并自适应确定各参数,将图像的空间信息和灰度信息耦合到加权耦合连接系数中,进行温室黄瓜图像分割,采用二维Tsallis熵选择最佳迭代结果。试验结果表明:用区域对比度(GC)和区域一致性(UC)评价方法评价,该方法的分割效果好于采用香农熵和最小交叉熵终止迭代的标准脉冲耦合神经网络分割效果。

基于非下采样剪切波变换—参数自适应脉冲耦合神经网络的属性融合裂缝预测方法

常用的叠后地震属性主要有相干体(描述波形相似性)、曲率体(表征构造应力引起的地层弯曲程度)、倾角体(刻画地层构造变化特征)等,但仅仅依靠单一属性很难准确地预测地下裂缝分布情况。为此,提出一种基于非下采样剪切波变换(NSST)—参数自适应脉冲耦合神经网络(PA-PCNN)的属性融合裂缝预测方法,该方法基于NSST分解算法,将多种属性数据分解为高、低频子带,将融合后的多尺度、多方向高、低频子带进行数据重构,得到最终的多属性融合结果,可进一步提取裂缝的轮廓及细节信息。具体步骤为:①提取描述相同尺度裂缝的多种地震属性(相干、曲率及倾角等属性),通过NSST将多种属性分解为高、低频子带,其中高频子带包含更多的裂缝细节信息,低频子带可更好地刻画裂缝轮廓且具有丰富的能量信息。②对高频子带运用PA-PCNN模型进行融合,无需人工设置参数,得到更全面的高频数据;结合八邻域的改进拉普拉斯算子加权和与局部能量加权方法对低频子带进行融合,使低频数据更好地保留细节及能量信息,以得到丰富的低频数据。③通过逆NSST方法有效地完成属性融合裂缝预测。运用所提方法对M区属性数据进行测试,并对比了不同方法的属性融合裂缝预测结果,证明基于NSST—PAPCNN的属性融合裂缝预测方法能够更有效地预测裂缝。

基于脉冲耦合神经网络的红外图像分割算法研究

红外图像噪声多、结构复杂,传统的分割方法难以对红外图像实现完整的分割。脉冲耦合神经网络(PCNN)参数众多,而人工调整网络参数耗时耗力。为了避免人工调整网络参数、实现对红外图像较完整的分割,将粒子群优化(PSO)算法和改进的PCNN相结合,提出了一种新的红外图像分割算法。首先,对红外图像进行预处理。其次,为了减少网络参数,对PCNN进行了化简。然后,将预处理图像输入网络进行循环迭代,利用PSO算法计算每次迭代的分割结果的适应函数值,从而确定群体和个体最佳参数。最后,通过种群最佳参数得到分割结果。为了验证算法的分割性能,试验使用了不同的自然风景图像和红外图像。试验结果表明,所提算法可以对红外和自然风景图像实现较完整的分割;无论是分割效果还是定性分析,所提算法都要优于传统算法。

脉冲耦合神经网络参数优化方法研究

针对脉冲耦合神经网络(pulse coupled neural networks, PCNN)参数设置问题,对常见的脉冲耦合神经网络参数优化方法进行了概述、总结、分析和比较。首先,介绍了脉冲耦合神经网络模型以及几种常见的简化模型,分析了各模型的特点。然后,对国内外学者提出的不同PCNN参数优化方法进行了研究,总结归纳出三类常用的PCNN参数优化方法,包括结合图像本身性质确定参数、分析PCNN点火机理确定参数和利用智能优化算法自动搜索参数的方法,并对这三类PCNN参数优化方法进行了分析比较,总结出各类优化方法的优缺点和适用场合。

脉冲耦合神经网络在图像处理中的参数确定

脉冲耦合神经网络(PCNN)模型可有效地应用于图像处理领域.但目前在PCNN模型理论方面的研究较少,参数的确定仍停留在经验阶段,这很大程度上限制了PCNN模型的发展.本文对PCNN模型进行理论上的推导,特别是模型各参数对PCNN特性的影响,给出了PCNN模型应用于图像处理中各参数确定的准则.在将其应用于眼底图像处理中,取得与人工参数选取相似的效果,表现出较好的鲁棒性.

自适应脉冲耦合神经网络在图像处理中应用

尽管Johnson提出的PCNN模型具有强大的图像处理功能,以时间序列进行特征提取时具有旋转、尺度、平移、扭曲不变性,可实践中发现依然存在着不足,特别对图像亮度、对比度比较敏感。添加了误差反向传播(Error Back Propagation,EBP)学习准则的自适应脉冲耦合神经网络模型能自适应设定模型参数,是脉冲耦合神经网络模型研究的主要内容。特别地,应用这种自适应模型进行特征提取时,能弥补原来PCNN模型对亮度、对比度敏感的缺陷,而且具有一定的泛化能力,有效克服了亮度、对比度对图像识别精度的影响。

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。

基于自适应脉冲耦合神经网络的行人检测方法

由于受到光照等因素造成的散斑噪声和灰度不均衡现象的影响,应用计算机视觉技术实现行人的准确检测较为困难.为了提高交通场景信息提取的精准度和自动化水平,文中提出一种基于自适应脉冲耦合神经网络的行人检测方法.首先以像素间"准欧式"距离为参考,确定神经网络接受区中心神经元与邻域神经元间的点火贡献关系;然后根据图像灰度特征以及邻域综合信息对脉冲产生区的关键控制参数——初始阈值进行设定;最后对获得的初始结果进行多策略形态学修正,从而提取出图像中的行人.实验结果表明,该方法能够在有效提高检测方法自适应程度的同时,显著去除噪声的影响,较好地抑制过分割的问题,检测到相对完整的目标.

一种适用于多模态医学图像融合的自适应脉冲耦合神经网络改进算法

针对医学图像融合存在伪影、边缘保持性弱等问题,提出了一种参数自适应的脉冲耦合神经网络(pulse coupled neural network,PCNN)图像融合方法。首先,对源图像通过非下采样Contourlet变换(non-subsampled contourlet transform,NSCT)得到一个低通子带和多个尺度多个方向下的带通子带。然后用区域标准差调整连接范围,进而调整突触权重矩阵以及加权系数;用各子带的改进空间频率中方向特征最显著的分量调整连接强度;对于外部激励,低通子带用区域能量和区域方差的线性组合计算,带通方向子带采用改进的拉普拉斯能量和计算。点火映射图的判决遵循取大原则。最后,通过NSCT逆变换得到融合结果图。实验结果表明,此算法能更多地保留源图像的信息,边缘保持能力更强,融合图像对比度高,视觉效果更佳,适用于多种模态医学图像之间的融合。

自适应注意力选择与脉冲耦合神经网络相融合的沙漠车辆识别

针对现有车辆识别模型不适用于沙漠背景的不足,提出一种基于自适应四元数注意力选择模型与脉冲耦合神经网络相融合的车辆识别算法.首先建立自适应四元数注意力选择模型,将图像背景、颜色、亮度等多方面信息并行处理计算注意力显著图,并利用图像缩放与双线性插值提升计算效率;然后将显著图输入脉冲耦合神经网络,利用神经元脉冲传播特性提取感兴趣区域;最后提取区域尺度不变特征并结合多层分类回归树完成目标识别.实验结果表明,该算法计算时间短、区域提取完整、识别虚警率低;以分辨率0.6m×0.6m的沙漠图像为例,文中算法较形态学及支撑向量机算法识别率分别提升了5.8%和15.4%.

基于活跃度的脉冲耦合神经网络图像分割

针对脉冲耦合神经网络(PCNN)在图像分割中需多次人工调整网络参数的问题,提出了一种基于PCNN模型的图像自动分割方法。分析了图像中影响PCNN参数设置的因素,提出了一种图像自适应分块策略。将图像划分为内部复杂程度相近的子块,克服了同一参数无法同时对图像中复杂度差异较大的不同区域准确分割的不足。利用本文提出的局部图像活跃度(ADLA)指标对不同子块自适应地确定PCNN模型参数,有效解决了传统PCNN图像分割时需要人工确定关键参数的问题。最后,采用最大二维Tallis熵准则从分割后的二值结果序列中选择最佳结果。实验表明,本文方法的分割结果轮廓清晰、完整,即使在对比度低、背景呈大范围内连续变化等复杂情况下,也具有优异的性能。与传统PCNN分割方法相比,本文方法能自动、快速、准确地确定PCNN模型参数,且区域一致性测度(UM),区域对比度(CR),形状测度(SM),综合指标(CI)等客观评价的量化指标均优于传统PCNN分割方法12%以上。

结合粒子群优化和综合评价的脉冲耦合神经网络图像自动分割

为了解决脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)在图像分割中多参数设定以及评价准则单一的问题,提出了一种结合粒子群优化算法(Particle Swarm Optimization,PSO)和综合评价准则的PCNN图像自动分割方法。采用单调递增阈值搜索策略的PCNN改进模型,将PSO优化原理与由交叉熵参数,边缘匹配度和噪点控制度共同构成的综合评价相结合,以综合评价作为粒子的适应度函数,自动寻优获取PCNN图像分割模型的目标时间常数,连接系数以及迭代次数n,从而实现全参数自适应的PCNN图像分割。实验结果表明算法在保证PCNN运行效率下对不同类型图像都能进行正确完整的分割并兼顾纹理细节的保留。从实验数据可以看到,本文算法在综合评价和通用综合指标上均优于其他对比算法,综合评价平均优于其他算法10.5%。客观评价结果与视觉主观评价相一致,分割较理想,算法具有较高的鲁棒性。

哈里斯鹰算法优化脉冲耦合神经网络的图像自动分割

为了降低脉冲耦合神经网络(pulse coupled neural network,PCNN)参数设置的复杂度,提出了一种利用哈里斯鹰优化算法(Harris Hawk optimization algorithm,HHO)搜索PCNN参数的图像自动分割方法。一方面,在不影响分割效果的情况下,减少了PCNN的参数个数;另一方面,HHO算法具有收敛速度快、全局搜索能力强的特点,能够快速、准确地搜索到PCNN相应参数。引入图像熵作为适应度函数,选取脑部MRI图像进行实验,通过精度、召回率和dice,比较了HHO结合PCNN与几种不同搜索机制的优化算法结合PCNN的分割性能,仿真实验结果表明,提出的方法有较高的分割精度和较强的鲁棒性,具有较高的工程实用价值。

基于改进型脉冲耦合神经网络图像噪声滤波算法研究

图像信号在获取、传送过程中往往因环境、成像系统等因素的影响,导致图像出现噪声污染严重影响图像有效分割、图像边缘检测以及图像目标提取等一系列图像处理工作。为了提高图像质量,滤除图像噪声,本文提出了一种改进型脉冲耦合神经网络图像噪声滤波算法。该算法在传统的脉冲耦合神经网络(PCNN)基础上对其进行改进,在传统的PCNN相似神经元能够同步点火对图像噪声进行自适应检测的基础上,对图像噪声采用自适应滤波法以及对前面的滤波结果采用多方向信息中值滤波的方法再进行处理。实验说明本文提出的方法能够提高噪声检测精度,在不损失图像边缘等重要信息的情况下有效对噪声进行滤除,与传统除噪声算法相比具有更好的性能以及适应性。

基于脉冲耦合神经网络和二维熵的图像自适应分割

脉冲耦合神经网络(PCNN)是模拟哺乳动物视觉神经的传导特性而提出的数学模型,和传统的人工神经网络有着本质上的区别,在数字图像分割中已经有了广泛应用。图像熵是图像中信息量大小的度量,具有空间特性的图像二维熵比图像一维熵所能表达的信息更加精确。PCNN每一次的迭代结果都是一个分割图像,当其二维熵越大时,对应的图像分割效果越好。但是,PCNN的有一个缺陷,必须要通过一步步实验得到结果,因此提出了一种基于PCNN迭代结果的最大二维熵的自适应算法。实验表明,该方法可自动获得效果较好的分割结果。

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分割方法

为进一步提高脉冲耦合神经网络(PCNN)在图像分割中的应用水平,本文对PCNN模型作了简化和改进。利用粒子群优化算法实现网络参数优化,从训练图像中提取熵和能量的比值作为PSO的适应度函数,提出了一种参数自适应的PCNN图像分割方法。最后,通过仿真验证所述方法的分割性能,结果表明:与传统PCNN图像分割方法相比,该方法能够有效地实现不同图像的自适应分割,具有一定优越性。

基于卷积神经网络的红外与可见光图像融合

非下采样剪切波变换(NSST)域中低频子带的融合需要人工给定融合模式,因此未能充分捕获源图像的空间连续性和轮廓细节信息。针对上述问题,提出了基于深度卷积神经网络的红外与可见光图像融合算法。首先,使用孪生双通道卷积神经网络学习NSST域低频子带的特征来输出衡量子带空间细节信息的特征图。然后,根据高斯滤波处理的特征图设计了基于局部相似性的测量函数来自适应地调整NSST域低频子带的融合模式。最后,根据NSST域高频子带的方差、局部区域能量以及可见度特征来自适应地设置脉冲耦合神经网络参数完成NSST域高频子带的融合。实验结果表明:该算法Q^AB/F指标略弱于对比算法,但SF、SP、SSIM以及VIFF指标分别提高了约50.42%、14.25%、7.91%以及61.67%,有效地解决了低频子带融合模式给定的问题,同时又克服了手动设置PCNN参数的缺陷。

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.

联合边缘检测与参数自适应PCNN的遥感图像融合方法

为了提高全色与多光谱图像的融合质量,解决脉冲耦合神经网络(PCNN)参数调整困难和融合图像边缘特征保存不完整的问题,提出了一种联合Canny算子和参数自适应PCNN的遥感图像融合方法。首先对多光谱图像进行HSV颜色空间变换,获取多光谱的V亮度分量,再利用Canny算子提取全色图像边缘特征,并根据边缘特征因子对全色图像与多光谱的V分量进行边缘特征融合,得到边缘加强的全色图像。然后对新的全色图像和多光谱V分量分别进行非下采样剪切波变换(NSST),获得相应的高频和低频系数子带。其高频子带采用参数自适应PCNN模型进行融合,其中所有PCNN参数均由输入频段自适应估计,得到具有最优参数的PCNN模型;而低频子带则采用有选择性的加权求和规则进行融合。最后由NSST逆变换得到新的V分量,再经HSV逆变换获得最终的融合图像。将所提方法与其他新近提出的方法进行对比实验,选取7种客观评价指标对融合图像的空间细节和光谱信息进行评价。实验结果表明,所提融合算法在视觉质量以及客观指标评价方面上更有优势,获得了更好的融合性能。