改进的脉冲耦合神经网络人脸特征提取方法

针对基于子空间分解的人脸特征提取方法对人脸图像在采集过程中的光照、旋转、位置等变化较为敏感的问题,提出了一种改进的脉冲耦合神经网络人脸特征提取方法。该方法模拟生物视觉的感知过程,将人脸图像分解成由若干二值图像组成的认知序列,计算序列中的每幅二值图像的熵作为人脸特征,基于支持向量机实现分类与识别;同时克服了标准的脉冲耦合神经网络模型参数过多的缺点,识别率也有所改善。理论与实验结果表明,该方法与现有的基于子空间分解的人脸特征提取方法相比,对人脸图像在采集过程中的光照、旋转、位置等变化有较强的鲁棒性,而且具有较低的维数。

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。

基于改进型脉冲耦合神经网络的图像二值分割

图象二值分割在图像分析和模式识别中是一项最基本也是最重要的预处理 ,它处理的好坏将直接影响后续的分析和处理效果。如何更有效、适应性更强地实现图像二值化 ,一直是困扰人们的一个难题。该文提出了一种新的图像二值分割方法———基于脉冲耦合神经网络的图像二值分割。它利用脉冲耦合神经网络的特性 ,实现图像的二值化。与传统图像二值化方法相比 ,它完全是一种与图像自适应的二值分割 ,易于软件和硬件的实现。对于含有丰富细节或低对比度的图像二值分割 ,该方法的优越性更为突出。实验结果表明了该方法的有效性。

基于改进型脉冲耦合神经网络的混沌相态分类方法

混沌相态分类是利用混沌系统检测微弱信号的关键步骤.提出一种基于改进型脉冲耦合神经网络的混沌相态分类方法.利用该网络模拟哺乳动物视觉皮层神经细胞活动的特点,提取混沌系统输出相态图的结构特征,并应用均值残差算法进行特征信息降维,进而实现对系统混沌态与周期态的实时判别.以Lyapunov特性指数方法作为评价准则,分别使用正弦信号和标准ECG信号对所提方法进行检验,实验结果表明,所提方法可以快速、准确地对不同的混沌相态进行分类.

基于改进脉冲耦合神经网络的数据降噪方法研究

为了解决数据中存在噪声点降低了数据的质量,影响了对数据进一步分析的可靠性等问题,提出了一种基于改进脉冲耦合神经网络(pulse coupled neural network,PCNN)的数据降噪方法。该方法在保留基本PCNN模型一些特性的基础上将其简化,省去了部分参数的设置,并改进突触链接强度为自适应取值,添加了记录神经元点火次数的点火频次矩阵。根据神经元点火次数辨识并滤除噪声点,使得该方法能够简单有效地对数据进行降噪处理,改善了数据质量。实验结果表明了该方法不仅能够有效滤除低维数据中的噪声点,而且对高维数据中的噪声点去除效果较好,且均较好保持了原有数据的特征信息。

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。

基于改进蜂群算法优化神经网络的玉米病害图像分割

更加细致的体现病害外部形态特征和较为完好的保留病害区域颜色纹理信息,是玉米等作物病害分割的关键性研究问题之一。该文提出一种基于改进人工蜂群算法的脉冲耦合神经网络图像分割算法,该算法以最大香农熵和最小交叉熵加权线性组合作为蜂群算法收益度评价函数,通过引入尺度因子调整引领蜂和跟随蜂的解搜索策略,改进后人工蜂群算法与脉冲耦合神经网络相结合,实现网络参数的自动优化调节。在RGB色彩子空间上将该算法用于一组玉米常见病害彩色图像分割,并借鉴利用彩色图像合并策略得到最终病害分割结果。试验表明,该文算法较为细致的体现病害外部形态特征,较为完好的保留了颜色纹理信息;利用分割区域色度误分度V(I)值作为评判标准,该文算法V(I)幅值顺次降低2.03%、7.05%、10.15%和11.2%,综合降低了7.32%也优于对比算法。因此,该文算法为病害彩色图像分割提供了一种较为有效的方法。

基于改进的引导滤波和双通道脉冲耦合神经网络的医学图像融合

为解决多模医学图像融合边缘模糊,互补信息不充分的问题,提出一种基于改进的引导滤波和双通道脉冲耦合神经网络(PCNN)的医学图像融合算法。利用非下采样轮廓波对医学源图像进行变换,采用双通道PCNN融合图像的低频部分,将改进的拉普拉斯能量和作为双通道PCNN的激励输入,将改进的空间频率作为链接强度;采用改进的引导滤波算法融合图像的高频部分。融合后的低频和高频信号进行非下采样轮廓波变换逆变换即可得到融合图像。实验结果表明,多模医学图像融合中,所提算法有效保留了源图像的特征信息,并在互信息量、信息熵、空间频率等客观评价指标上取得了良好的效果。

基于简化脉冲耦合神经网络和改进稀疏表示的脑部图像融合算法

为解决单一模态脑部图像存在的局限性,进一步突出细节特征,增强视觉效果,提出一个基于多尺度边缘保持分解和改进稀疏表示(improved sparse representation,ISR)的算法框架。首先,分解源图像获得高频子带和低频子带。其次,采用多范数加权度量改进的稀疏表示融合低频子带,以多尺度形态学梯度(multiscale morphological gradient,MSMG)改进的引导滤波器去除细节特征;同时,经简化的脉冲耦合神经网络(simplified pulseoupled neural network,SPCNN)融合其高频子带。最后,逆变换得到融合后的脑部图像。实验证明,本文在边缘信息的保护,融合效率的提高,时间成本的节约等方面优势显著。

基于多尺度分解和改进稀疏表示的脑部图像融合

为克服单一模态脑部图像的局限性,进而突出病灶细节信息,提高视觉清晰度,降低时间成本,提出了一种NSST域下结合DWT和改进稀疏表示的算法框架。首先,NSST分解源图像获取高、低频分量,DWT对低频分量进一步分解生成对应的能量子带及细节子带。其次,利用SPCNN融合低频能量子带,多范数加权度量改进的稀疏表示融合低频细节子带,继而用逆DWT进行融合,并经SPCNN融合高频子带。最后,逆变换得到期望的脑部图像。从主观视觉和客观评价指标两个维度对结果进行综合评估,对比另外4种主流的活跃度水平计算方法,新推出的方法能够兼顾信息的数量和集中程度,效果最优。较之当前主流融合算法,新方法突出了病灶信息,提高了融合效率,降低了时间成本,在视觉效果和客观指标上均有显著优势,能够为临床诊断、教学起到辅助作用。

一种基于交叉熵的改进型PCNN图像自动分割新方法

脉冲耦合神经网络(PCNN)是20世纪90年代形成和发展的一种新型神经网络。为了自动地进行精确的图像分割,在基于图像处理的前提下,对现有的PCNN模型进行了改进,即从原始图像与分割图像的目标之间、背景之间的差异性出发,提出了一种基于最小交叉熵准则的改进型PCNN图像分割新方法。通过计算机仿真,该方法能够自动确定循环迭代次数和自动选取最佳阈值,并与基于最大香农熵的PCNN分割方法进行了比较。实验结果表明,该方法优于香农熵准则PCNN分割,其不仅对图像分割精度高,而且具有较强的适用性。

基于梯度域导向滤波器和改进PCNN的图像融合算法

为解决当前融合后图像存在的光晕伪影现象以及不利于视觉感知的问题,提出了一种基于梯度域导向滤波(gradient domain guided filtering, GDGF)和改进的脉冲耦合神经网络(pulse-coupled neural network, PCNN)的图像融合算法。首先,利用图像结构、清晰度以及对比度显著性的图像特征构建图像融合模型。其次,采用梯度域导向滤波取代传统优化方法,通过像素间相关性优化初始决策图。然后,将优化决策图作为外部输入刺激改进PCNN模型,得到融合权重图。最后,对源图像和融合权重图进行加权操作得到最终融合图像。实验结果表明,所提方法更好地保留图像边缘、纹理和细节信息,避免目标边缘的光晕伪影现象,且利于视觉观察。

基于改进3D-PCNN的中药材彩色显微图像分割

为有效提取中药材彩色显微图像的目标信息,提出了一种基于改进三维脉冲耦合神经网络的图像自动分割方法.首先,从适合处理中药材彩色显微图像的角度出发,对传统模型进行简化与改进;其次,采用RGB颜色空间,利用最大信息熵选择性排列图像,并将结果作为改进模型的输入,进而完成图像分割;最后,用最大综合判定准则选取最佳分割结果,并与最大香农熵、最小交叉熵、色差对比度进行比较.实验结果表明,本文方法可以精确自动地分割中药材彩色显微图像,克服了最大香农熵、最小交叉熵、色差对比度的缺点,分割效率明显优于传统方法.

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。

基于改进PCNN模型与四方向差值绝对最小滤波算法的图像去噪研究

为了更好地去除图像噪声,基于图像有效轮廓及边缘连续性,结合改进脉冲耦合神经网络模型(IPCNN),提出了四方向差值绝对最小滤波算法(FDMAD).仿真实验表明:对比传统基于迭代脉冲耦合神经网络中值滤波方法,本文算法具有更好的去噪效果和更快的计算速度.实验结果验证了算法的快速性和有效性,具有广泛的应用前景.

基于改进的稀疏表示和PCNN的图像融合算法研究

为提高图像融合的清晰度,本文提出一种基于改进的稀疏表示和脉冲耦合神经网络(pulse coupled neuralnetwork,PCNN)的图像融合。利用非下采样剪切波变换(non-subsampled shearlet transform,NSST)对源图像进行分解变换,得到相应的低频子带和高频子带具有不同的信息。对于低频子带,采用改进的稀疏表示进行融合,利用K奇异值分解(K-singular value decomposition,K-SVD)算法,并对源图像进行自适应学习的多个子字典构造成联合词典。对于高频子带,则改进PCNN融合系数的选择方法,利用改进的空间频率作为神经元反馈输入来激励PCNN模型,并根据点火输出的总幅度最大的融合规则选择高频系数。最后,将融合后的低频子带和高频子带系数进行NSST逆变换,重构出融合图像。实验结果表明:该算法很好地保留了图像的边缘信息,并且得到的图像在相关的客观评价标准上也取得了良好的效果,表明了本算法的有效性。

基于改进CV模型和PCNN的NSST域焊接缺陷提取

为了精确地提取焊接缺陷,进一步提高缺陷检测的准确性,提出了一种基于改进ChanVese(CV)模型和脉冲耦合神经网络(pulse coupled neural network,PCNN)的非下采样Shearlet变换(non-subsampled Shearlet transform,NSST)域焊接缺陷提取方法。首先,对焊接缺陷图像进行NSST分解,对得到的低频分量采用PCNN提取出缺陷的主要区域;然后,利用背景抑制后的低频分量和高频分量构造出高频特征图像,并对其进行粗分割,再利用改进的CV模型寻找最优轮廓,提取出缺陷精细轮廓;最后,融合缺陷的主要区域和精细轮廓信息得到最终的结果。实验结果表明,与其他缺陷提取法相比,所用方法提取的缺陷结构更为完整,缺陷轮廓更为精细。

基于NSCT和PCNN的改进梯度图像融合算法

针对传统图像融合提取细节和边缘信息的不足,提出了一种基于非采样轮廓波变换(NSCT)和脉冲耦合神经网络(PCNN)的改进梯度图像融合算法。首先源图像经过NSCT分解,得到低频和高频子带系数;其次将低频子带系数的空间频率,高频子带系数采用八方向Sobel算子检测的改进梯度,作为PCNN的脉冲输入激励,根据不同的点火映射图选择低频和高频的融合系数;最后通过NSCT反变换得到融合图像。实验结果表明,本文算法比小波方法、传统NSCT方法和NSCT-SF-PCNN方法图像融合效果好。融合图像的信息丰富,清晰度高,保留更多的边缘细节信息。

NSCT域内基于自适应PCNN的图像融合新方法

论文结合非下采样contourlet变换(NSCT)的平移不变性、多尺度、多方向特性和脉冲耦合神经网络(PCNN)的同步脉冲发放、捕获特性,提出在NSCT域中基于PCNN的图像融合框架。对于低频子带,利用改进拉普拉斯能量和作为特征激励PCNN;对于高频方向子带,采用改进的空间频率作为PCNN的外部激励;同时利用各子带图像的平均梯度自适应调节PCNN的链接强度,最后,选取具有较大点火次数的系数作为融合图像的系数,经逆NSCT变换重构融合图像。实验结果表明本文方法无论在主观视觉还是客观评价标准上都要优于传统的基于小波变换、contourlet变换、PCNN的图像融合方法。

基于NSCT与区域点火PCNN的医学图像融合方法

为了进一步改善医学图像融合质量,提出一种基于NSCT(非下采样Contourlet变换)与区域点火PCNN(脉冲耦合神经网络)的医学图像融合方法。该方法在低频子带系数采用基于区域点火PCNN的融合规则,应用PCNN改进的简化模型,将低频子带系数作为信号激励PCNN网络,利用点火区域强度分析区域点火特性,根据区域点火特性确定低频子带融合系数;在选择带通方向子带系数时,充分利用非下采样Contourlet变换的方向特性,采用改进的拉普拉斯能量作为带通方向子带系数的融合规则。实验结果表明,该方法与传统融合方法相比,能够较好的保留图像的边缘和过渡区域信息,大幅度提高融合图像的质量。