基于脉冲耦合神经网络的图像分割算法分析

为进一步提高脉冲耦合神经网络(PCNN)在图像分割中的性能,文章研究了基于PCNN模型的图像分割算法,并探讨其模型简化算法,旨在减少其中的参数量,从而提高图像分割处理效率和分割效果。借助Girl属性图像进行仿真验证,通过与OTSU算法及LevelSet算法的分割效果进行对比,文章论证了算法的有效性及可行性。实验结果表明,该算法具有显著的分割效果。

粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法研究

针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法.通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点.实验研究亦表明了上述优点.

利用脉冲耦合神经网络的高光谱多波段图像融合方法

针对高光谱图像波段众多、数据量大的特点,提出了一种基于脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)模型的高光谱多波段图像融合方法.根据高光谱图像多输入的特点对原始PCNN模型进行了扩充,采用多通道PCNN模型来对输入图像进行非线性融合处理.通过分析传统变阈值衰减模型的特点及其不足,提出了修正的变阈值指数增加模型,以改善融合效果和降低PCNN运行的时间复杂度.利用记录点火时刻的赋时矩阵得到带有一定增强效果的融合结果图像.实验结果表明,该方法的融合效果要优于传统的主成分分析融合方法和小波变换融合方法.

双通道时延脉冲耦合神经网络的AOV-网拓扑排序

在时延脉冲耦合神经网络DPCNN的基础上提出了双通道时延脉冲耦合神经网络(DCDPCNN,Dual Channels DPCNN)模型,并提出了利用DCDPCNN来实现AOV-网拓扑排序算法。该算法在深度优先搜索的同时兼顾广度优先搜索,同时忽略节点进栈顺序,在求得的拓扑序列的个数、计算中的临时数据量、有向环判断、计算速度方面,比传统算法有了较大的改进。

洪水灾情评价的脉冲耦合神经网络模型

洪水灾情的评价工作对洪水灾害的分类管理具有重要的指导意义。脉冲耦合神经网络模型应用到洪水灾情评价中是一次新尝试,该方法通过脉冲输出从而调节阈值,并且应用动态阈值来确定洪水灾情的等级。这个方法比传统的BP模型简化了权值的训练,模型更加简便、直观。采用脉冲耦合神经网络模型得出的评价结果同灰色关联法、灰色聚类法、灰色模糊综合法的评价结果进行了比较,表明其用于洪水损失评价具有科学性和实用性。

基于双通道脉冲耦合神经网络的应用研究

通过对双通道脉冲神经网络模型的改进,提出了一种邻域SEML激励的自适应双通道脉冲耦合神经网络医学图像融合的新方法。即通过提高模型的性能和脉冲神经网络进行自动化图像处理的能力。首先介绍了双通道脉冲耦合神经网络模型及其原理,然后阐述了基于这一模型的一种新融合算法,最后对本文融合算法以及各传统融合算法得到的实验仿真结果进行了分析。

基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割

为了提高在自然采摘环境中成熟桑葚机器视觉识别的有效性和鲁棒性,克服图像目标形态小、分布杂散、背景干扰多和光照不均匀等困难,该文提出了一种采用视觉显著性和脉冲耦合神经网络(pulse coupled neural network,PCNN)模型的成熟桑葚图像分割方法。该方法首先将采集的图像映射到Lab颜色空间,利用空间颜色分量的算术平均值和高斯滤波值之间的差异,构建起桑葚图像的频率调谐视觉显著图;其次,提取采集图像在HSI颜色空间的色调分量,经过均衡化处理后,与视觉显著图进行融合,实现桑葚目标的融合特征表达;最后,通过改进的分层阈值化脉冲耦合神经网络模型进行目标分割以及形态学处理,得到成熟桑葚的识别结果。利用从重庆市天府镇果桑生态园采集到的200余幅桑树挂果图像进行试验,结果表明,该方法能够在不同光照条件的复杂背景下,有效分割出成熟果实,平均误分率为1.87%,优于结合频率调谐视觉显著性的OTSU法(17.73%)、K-means聚类算法(10.69%)、基于Itti视觉显著性的PCNN分割方法(7.34%)和基于GBVS(graph-based visual saliency,GBVS)视觉显著性的PCNN分割方法(5.83%)。研究结果为成熟桑葚果实的智能化识别提供参考。

采用脉冲耦合神经网络的改进显著性区域提取方法

由于仅考虑颜色等视觉对比信息的视觉显著性提取模型不符合人眼生物学过程,本文提出了一种基于混合模型的改进显著性区域提取(ISRE)方法。该混合模型由显著性滤波算法和改进脉冲耦合神经网络(PCNN)算法构成。首先,利用显著性滤波器算法获得原图像的初始显著性图(OSM)和亮度特征图(IFM),用IFM作为PCNN的输入神经元;然后,进一步对PCNN点火脉冲输入进行改进,即对PCNN内部神经元与OSM的二值化显著性图进行点乘,确定最终点火脉冲输入,以获得更加准确的点火范围;最后,通过改进后的PCNN多次迭代,完成显著性二值化区域提取。基于1 000张标准图像数据库进行的实验结果显示:在视觉效果和客观定量数据比对两方面,本算法均优于现有的5种显著性提取方法,平均查准率为0.891,平均召回率为0.808,综合指标F值为0.870。在真实环境实验中,所提算法获得了精确的提取效果,进一步验证了本算法具有较高的准确性和执行效率。

基于脉冲耦合神经网络的地震多属性融合方法

针对单一地震属性进行油气储层预测时往往存在多解性问题,提出基于脉冲耦合神经网络(PCNN)的地震多属性融合方法:通过简化PCNN模型,利用PCNN神经元结构很强的非线性处理功能,确定各神经元之间的数据融合系数,进而获得对应神经元的融合数据输出,从而实现了地震多属性的融合。该方法简捷、计算效率高、融合效果好。通过川东北地区多种属性切片数据的应用验证了该方法的合理性和有效性。

一种基于脉冲耦合神经网络的图像降噪方法

传统的脉冲耦合神经网络(PCNN)在图像降噪时不能准确地定位噪声数据并去除图像噪声。提出一种基于改进的PCNN有效去噪方法。该方法在PCNN模型上采用自适应的突触连接系数,使之随不同神经元与其周围神经元相似程度的不同而自适应变化,提高噪声数据的辨识度;同时将PCNN神经元的点火频次记录在点火时间序列中,根据神经元点火次数判断并滤出噪声点,实现更好地降噪效果。实验测试结果表明,该方法不仅可以准确地辨识噪声数据,而且能够有效地去除图像的噪声点,具有较强的适应性和较好的边缘与细节保护能力。

基于标记脉冲耦合神经网络的乳腺肿块分层检测方法

乳腺X线图像中的肿块检测是乳腺癌早期诊断的重要手段。该文提出了一种新的肿块检测方法。将脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)与标记符相结合设计了标记PCNN图像分层方法,继而利用多同心层(Multiple Concentric Layers,MCL)模型得到可疑区域。最后,借助肿块的形态学特征剔除假阳性区域得到最终的肿块。实验结果表明,该文方法在保证假阳性率(False Positive Rate,FPR)的同时,肿块真阳性率(True Positive Rate,TPR)达到92.08%。同时针对东方女性致密型乳腺案例中检测结果明显优于MCL方法和MCA方法。

利用脉冲耦合神经网络的纹理图像检索方法

为提高基于内容的图像检索系统(CBIR)中纹理特征提取的有效性,进一步提升CBIR系统的整体性能。提出了一种基于脉冲耦合神经网络的纹理图像检索方法。脉冲耦合神经网络(PCNN)是新一代的人工神经网络,在数据处理上具有很多优势。特征提取时具有平移、旋转、尺度、扭曲等不变性,以及很好的抗噪性,而这一点非常适合于图像检索系统。利用PCNN及简化模型ICM得到对应于不同灰度值的二值图像序列,计算序列中每幅图像的熵序列,其一维的特征矢量作为纹理特征。采用Eu-clidean距离进行相似度计算,建立了一套基于示例查询图像的纹理图像检索系统。实验结果表明,与小波包等特征提取方法相比,该方法不仅对噪声具有较强的鲁棒性,同时能降低特征向量维数,具有尺度、平移和旋转不变性,而且能取得更高的检索率。

基于脉冲耦合神经网络融合的压缩域运动目标分割方法

针对H.264压缩域内运动目标分割算法所存在的弱自适应性和抗噪能力差等问题,本文提出了一种基于脉冲耦合神经网络的压缩域运动目标分割方法.该方法采用时空域矢量均值滤波对运动矢量进行预处理,减少运动目标丢失率,并设计了前后向矢量累积方法,增强运动矢量的可靠性.基于脉冲耦合神经网络设计的融合模型可以将累积后的运动矢量和宏块模式进行融合处理,增强分割算法的抗噪能力,保证加快分割速度的同时兼顾运动区域的分割准确度.另外,采用最小交叉熵作为点火终止判断条件,实现了最佳分割模板的自适应获取.仿真实验表明,本文算法在自适应性和抗噪能力方面均有较好表现,可以准确分割出监控视频中的运动目标.

基于脉冲耦合神经网络分解模型的夜间图像增强研究

脉冲耦合神经网络分解模型对于夜间光线复杂情况下的图像增强,容易出现严重的振铃现象。针对这一问题,文章对夜间图像增强进行了研究,通过指数变换对夜间图像进行预处理,结合脉冲耦合神经网络分解模型进行图像增强。实验结果表明,该方法可以实现对夜间图像的增强,增强后的图像细节清晰,整体光线较为柔和,图像对比度适中,降低了振铃现象造成的影响。

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。

脉冲耦合神经网络在图像处理中的应用

文章简要介绍了有生物学依据的新型人工神经网络——脉冲耦合神经网络(PCNN),总结了近年来PCNN用于图像处理方面的研究成果,阐述了PCNN在图像去噪、图像增强、图像分割、图像边缘检测、图像融合、图像阴影去除、最小路径求解等方面的各种新算法。研究发现,PCNN可有效用于图像处理。虽然PCNN解决图像处理的不同问题时算法各异,但都用到了PCNN的脉冲传播特性。最后指出了今后PCNN的一些研究热点。

基于Harris矩阵的脉冲耦合神经网络模型

分割含有弱边界、对比度低的图像目标时,传统的脉冲耦合神经网络模型难以得到有效的分割效果,主要原因是动态阈值的衰减时间常数固定,衰减速度固定,分割弱边界时,输出的脉冲信号难以准确描述目标区域,产生误分割现象。为了解决这一问题,本文采用Harris矩阵获取图像梯度信息,特别是弱边界的梯度信息,提出动态阈值的衰减速度与图像的梯度信息有关,当梯度信息大时,动态阈值的衰减快,当梯度信息小时,动态阈值的衰减速度慢,给出动态阈值的新定义。通过对弱边界、对比度低的图像进行仿真对比实验,说明本文算法的分割效果优于传统脉冲耦合神经网络模型。

一种改进衰减时间常数的脉冲耦合神经网络模型

在传统脉冲耦合神经网络模型(PCNN)中,当神经元的内部活动项大于动态阈值时输出脉冲,根据输出脉冲分割出图像目标。分割弱边界的图像目标时,由于动态阈值的衰减时间常数固定不变,动态阈值的衰减速度过快或过慢于理论需要的衰减速度时,影响神经元的内部活动项与动态阈值的比较,发送错误的脉冲信号,产生误分割现象。为了解决这一问题,本文利用人眼对图像亮度的敏感性,使动态阈值的衰减速度与人眼对亮度的敏感度相一致,提出将人眼亮度权重系数作为动态阈值的衰减时间常数的系数,得到新的动态阈值。通过对含有弱边界、目标不规则、目标像素点的灰度值与背景像素点的灰度值存在重叠区域的图像进行仿真对比实验,实验结果说明本文提出的算法优于传统脉冲耦合神经网络模型。

基于栅格元的脉冲耦合神经网络模型

传统脉冲耦合神经网络模型描述神经元之间的内在联系时,仅仅考虑神经元之间的空间位置信息,忽略了神经元之间的灰度信息,使神经元之间的连接权值不准确,易产生误分割现象。为了解决这一问题,本文采用栅格元的响应函数作为神经元之间的连接权值,得到新的连接输入项。在新的连接权值中,不仅考虑了局部区域的灰度信息,而且考虑了局部区域的方差信息,同时继承了栅格元神经元的优点,即具有较强的方向性、位置相对性和周期性。通过对遥感图像、生活图像、血管图像进行仿真对比实验,实验结果说明本文提出的算法优于传统脉冲耦合神经网络模型。

基于感觉亮度的脉冲耦合神经网络模型

在脉冲耦合神经网络模型中,为了寻找最优衰减时间常数,基于韦伯-费赫涅尔定律,考虑到人眼的感觉亮度与实际亮度对数之间的线性关系,提出将人眼的感觉亮度作为动态阈值的衰减时间常数,使神经元动态阈值的衰减速度更符合人眼的亮度感觉。对含有弱边界、对比度低的图像目标进行仿真对比实验。实验结果表明,提出的算法性能优于传统脉冲耦合神经网络模型。