基于改进PCNN的数据降噪方法

为去除数据中存在的噪声点,提高数据质量,提出一种基于改进PCNN的数据降噪方法。该方法在无耦合链接的简化PCNN模型基础上,改进阈值函数,添加记录神经元是否点火的矩阵以及点火时间矩阵,根据神经元初次点火时间辨识并去除噪声点,从而实现数据降噪。实验测试结果表明:该算法能够有效滤除数据中的噪声点,很好地保持原始数据的特征。

基于改进PCNN决策的非对称裁剪中值去噪方法

为有效滤除图像中椒盐噪声,同时能保留更多边缘和细节信息,构造了脉冲耦合神经网络(PCNN)与非对称裁剪中值滤波(UTMF)结合的去噪方法。设计自适应连接系数的改进型PCNN,提高对噪声的辨识;提出椒盐噪声在PCNN点火时间矩阵中的值具有极限性以定位噪声;在基于点火时间矩阵决策下对噪声图像进行UTMF处理。实验表明,该方法信噪比高、细节信息保护好、视觉效果佳、适应性强。

结合脉冲耦合神经网络与引导滤波的红外与可见光图像融合

针对红外与可见光图像融合细节信息不够丰富、易出现伪影等问题,提出了一种结合脉冲耦合神经网络(PCNN)与引导滤波的红外与可见光图像融合方法。改进传统PCNN模型结构,在脉冲产生单元加入抑制项,避免像素重复点火对点火时间矩阵带来噪声;以原图为引导图像对点火时间矩阵T进行引导滤波,得到兼具显著信息与边缘细节信息的多区域加权划分矩阵;基于该多区域加权划分矩阵,对红外与可见光图像进行加权融合。同时,根据PCNN数学模型点火行为分析,提出了一种包含约束的PCNN模型参数设置方法,可降低PCNN模型参数设置的复杂度。实验结果表明该融合方法具有较高的融合效率,同时融合图像细节信息丰富,无明显伪影,交叉熵、空间频率指标相对于当前常用融合方法均较优。