一种粒子群优化脉冲耦合神经网络的全色锐化算法

为了进一步降低多光谱与全色影像融合后的光谱和空间信息失真,提高融合质量,文章提出一种粒子群优化脉冲耦合神经网络的多光谱与全色影像融合算法。该算法基于主成分分析和非下采样剪切波搭建融合方法的基础融合框架,在低频系数融合过程中使用细节注射的融合方法,降低非必要的信息注射,从而提高光谱保持度。在融合高频系数时,采用参数自适应的简化脉冲耦合神经网络计算融合权重,并基于粒子群优化算法全局搜索能够获取最佳融合质量的对应参数,以提高空间信息的完整性和清晰度。文章通过三组实验验证提出算法的可行性,并与现有的、经典的融合算法进行对比,实验显示:文章提出的融合算法在三组实验中的光谱角映射均在0.1左右,通用图像质量指数在0.9以上。实验结果表明:该算法不仅能够有效提高全色与多光谱影像的融合质量,而且融合效果稳健,在对比实验中具有最佳的融合性能。

基于剪切波变换和脉冲耦合神经网络的图像融合方法研究

图像融合的目的是将多个来源的图像合并,从而产生1个包含所有原始图像信息的新图像。传统的图像融合方法可能损失一些重要信息或导致图像失真,因此研究新的图像融合方法具有重要意义。作为新兴技术,剪切波变换和脉冲耦合神经网络在图像融合中的应用潜力尚未被充分发掘。文章致力于研究这2种技术在图像融合中的效果,并提出结合两者的新方法。

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。

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。

基于脉冲耦合神经网络和遗传算法的图像增强研究

为提高图像增强技术的效能和适应性,本研究采用融合脉冲耦合神经网络(pulse coupled neural network, PCNN)和遗传算法(genetic algorithm, GA)的方法,设计了一种新型的图像增强方案。该算法以PCNN为基础,利用GA进行参数优化和模型调整,以期达到更优的图像处理效果。研究结果表明:相比传统图像增强技术,所提出的融合算法在图像清晰度、细节增强和噪声抑制等方面展现了显著优势,证明了该方案在实际应用中的高效性和实用性。

双通道量子脉冲耦合神经网络

脉冲耦合神经网络(PCNN)在图像处理领域应用广泛,改进的双通道脉冲耦合神经网络(DPCNN)也在图像融合领域具有优异性能。为了将量子计算的优异并行性能与双通道脉冲耦合神经网络相结合,降低其算法复杂度,提出了双通道量子脉冲耦合神经网络(DQPCNN)。该模型使用量子逻辑门构建量子模块,如量子全加器、量子乘法器和量子比较器,构建了一个适用于DQPCNN的量子图像卷积模块,并采用这些模块完成DQPCNN所需的计算。通过仿真实验证明了DQPCNN的有效性,DQPCNN的复杂度与其他模型相比具有明显优势。

基于三维模糊连接脉冲耦合神经网络的肾脏CT图像自动分割算法

3维肾脏CT图像的自动准确分割对减轻医师阅片工作量和提高计算机辅助诊断效率具有重要意义。但是,由于肾脏器官的结构复杂性以及邻近部位的灰度相似性,3维肾脏的准确分割仍具有挑战性。该文基于简化脉冲耦合神经网络(SPCNN)结构简单、参数量少的特点,结合模糊连接度(FC)算法,提出一种3维肾脏CT图像的自动分割算法。主要贡献为:(1)将SPCNN的2维模型扩展为3维模型,可以充分利用3维CT图像的层间信息;(2)提出了一种基于感兴趣区域质心的3维种子点自动生成策略,可以有效提高算法的自动分割效率;(3)实现了3维FC响应图与3维SPCNN的有效耦合。所提算法在自制数据集和公开数据集上进行了验证实验,结果表明该算法的性能优于现有的主流算法,其Dice系数、准确率、敏感度、体积误差、平均对称表面距离的平均值分别可以达到0.9095,0.9969,0.8517,0.1749和0.8536。

基于脉冲耦合神经网络结合U-Net的眼底血管分割

视网膜血管分割作为一种现代医学诊断的基础性方法,在眼部疾病及相关病症的筛查和诊断中起着重要作用。针对血管分割分割过程中细节丢失、连通性差等问题,提出一种新的分割算法。该算法基于改进的自适应阈值SSPCNN进行眼底血管图像分割,并应用改进SE模块的密集可变形卷积U-Net进行前期图像增强。为该算法设计实验,检测其在DRIVE和STARE数据集上的实际分割效果检测。实验结果表明该模型在DRIVE和STARE数据集上的灵敏度、特异性和准确度均优于现有算法。

脉冲神经网络权重量化方法与对抗鲁棒性分析

类脑芯片中的脉冲神经网络(SNNs)具有高稀疏性和低功耗的特点,在视觉分类任务中存在应用优势,但仍面临对抗攻击的威胁。现有研究缺乏对网络部署到硬件的量化过程中鲁棒性损失的度量方法。该文研究硬件映射阶段的SNN权重量化方法及其对抗鲁棒性。建立基于反向传播和替代梯度的监督训练算法,并在CIFAR-10数据集上生成快速梯度符号法(FGSM)对抗攻击样本。创新性地提出一种感知量化的权重量化方法,并建立与对抗攻击的训练与推理相融合的评估框架。实验结果表明,在VGG9网络下,直接编码对抗鲁棒性最差。在权重量化前后,4种编码和4种结构参数组合方式下,推理精度损失差与层间脉冲活动的平均变化幅度分别增大73.23%和51.5%。该文指出稀疏性因素对鲁棒性的影响相关度为:阈值增加大于权重量化bit降低大于稀疏编码,所提对抗鲁棒性分析框架与权重量化方法在PIcore类脑芯片中得到了硬件验证。

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。

具有非线性耦合的分数阶神经网络的聚类同步

研究具有不确定参数和非线性耦合的分数阶神经网络的聚类同步控制。首先,采用投影技术将非线性耦合函数分解为振荡部分和线性部分,并借助不等式技术分别处理,以此消除非线性的耦合项对网络产生的不利影响。其次,为了节约成本,选择基于平均脉冲区间的牵引脉冲控制策略,并构造对整个网络通用的Lyapunov函数,给出分数阶神经网络实现聚类同步的充分条件。此外,还证明了结论对非线性耦合的整数阶神经网络的适用性。最后,通过数值仿真进一步验证了理论结果的有效性。

基于稀疏表示和脉冲耦合神经网络的医学影像融合算法

为满足医学图像辅助诊断的需要,提出一种基于稀疏表示和脉冲耦合神经网络(PCNN)的CT和MR影像融合算法。首先,原始图像通过滑动窗方法构成联合矩阵,通过K-SVD算法得到该联合矩阵的冗余字典,采用正交匹配追踪算法得到该联合矩阵的稀疏系数;然后,根据稀疏系数的特点,采用脉冲耦合神经网络来融合稀疏系数;最后,由融合后的稀疏系数和冗余字典得到融合矩阵,反变换得到融合图像。实验图像为10组配准的脑部CT和MR图像,采用5种性能指标来评价融合图像的质量,同2种流行的医学影像融合算法进行比较,结果显示算法除QAB/F指数外,其他4项指标均为最优,Piella指数、QAB/F指数和BSSIM指数的均值分别为0.760 4、0.877 1和0.537 3,融合图像的纹理和边缘清晰,对比度高。主观和客观分析显示,算法的融合性能比较优越。

一种基于脉冲耦合神经网络和图像熵的自动图像分割方法

90年代发展形成的脉冲耦合神经网络(PCNN)模型特别适合于图像分割、边缘提取等方面的应用研究,但众所周知,PCNN模型图像分割效果不但取决于PCNN模型中各个参数的合理选择,而且同时还取决于循环迭代次数的确定选择准则,通常循环迭代次数N的选择通过人工交互方式来确定。正因如此选择合适的准则来确定N是PCNN图像分割的关键,但目前还没有文献提出一个合适的准则来解决这个问题。本文结合图像统计特性和PCNN参数模型提出了熵值最大准则。该准则实现了PCNN神经网络的自动图像分割。对于PCNN的理论研究和实际应用具有非常重要的现实意义。

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.

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.

一种改进型脉冲耦合神经网络及其图像分割

本文结合人类视觉系统 (HVS)对图像信息含量区域敏感度不同这一特性 ,以神经元接近点火程度的一致性描述图像空间邻域所含的信息量 ,对通常的脉冲耦合神经网络模型 (PCNN -PulseCoupledNeuralNetwork)进行了改进 ,提出了一种基于改进PCNN的图像自适应分割算法 .该算法根据象素及其周边区域的信息量大小发放不同值的脉冲 ,从而自适应地将图像分为多个不同等级的高低信息区域 ,较好地仿真了人类视觉系统特性 .最后对用这种方法进行图像分割的结果进行基于信息量的图像压缩 ,在压缩比和重建图像主观视觉感知质量上均达到了良好的性能 。

最小误差准则与脉冲耦合神经网络的裂缝检测

表面裂缝检测能够有效判断混凝土桥梁出现的结构性危险。但裂缝特征的多样性、桥梁表面污点引起的图像噪声以及不均匀照明引起的灰度不均等给裂缝检测带来极大的困难。为能够在复杂背景下检测裂缝,分析裂缝图像特征,由脉冲耦合神经网络(pulse coupled neural networks,PCNN)的运行特征和神经元的状态变化分析简化PCNN模型,将简化PCNN模型用于裂缝图像的分割,根据最小误差准则判断PCNN迭代的终止条件,实现了PCNN的裂缝图像自动分割。由圆形度与扁度结合计算区域特征,去除分割后的各种干扰,实现表面裂缝的有效检测。通过敏感度和特异性计算绘制ROC(receiver operating charac-teristics)曲线,比较不同分割方法的曲线特性以评估算法,对实际裂缝图像的处理结果表明了该方法对裂缝图像检测的有效性。

一种基于脉冲耦合神经网络的脉冲噪声滤波器设计

根据脉冲噪声与其邻域中图像灰度之间的明显差异性 ,本文提出了一种新的神经网络脉冲噪声滤波器设计方案。这种脉冲耦合神经网络PCNN滤波器比现有的PCNN逐次降噪方案迭代运算次数少 ,执行速度快。并与中值滤波器、全方位结构元约束层叠滤波器、全方位结构元形态闭 开最小、开 闭最大滤波器等现有的非线性滤波器进行实验比较 ,证明 ,该方案有更好的降噪性能 ,更重要的是比这些方案更有效地保持了图像的高频细节信息。

应用小波变换的自适应脉冲耦合神经网络在图像融合中的应用

设计并实现了一种适用于红外与可见光图像融合的基于小波变换的自适应脉冲耦合神经网络(PCNN)融合技术。首先,对融合的两幅图像进行小波分解得到两组多尺度图像。然后,在小波域充分利用PCNN的同步激发特性,进行PCNN的融合策略设计;使用不同频率下小波系数的局域熵作为PCNN对应神经元的链接强度,经过PCNN点火获得参与融合图像在小波域中的点火映射图;根据点火时间计算点火映射梯度图,再通过判决选择算子,选择点火时间梯度最大的小波系数作为融合系数。最后,对融合后的小波系数进行重构生成融合图像。进行了两组图像融合实验,结果显示,在迭代次数为50次时,与经典小波方法相比,两组实验结果的熵分别提高1.1%,0.7%;平均梯度分别提高8.3%,3.7%;空间频率分别提高2.5%,1.5%;标准差分别提高1.9%,0.6%;交叉熵分别缩小5.6%,4.9%,结果表明本文方法用于红外与可见光图像的融合十分有效。

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。