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。

基于简化脉冲耦合神经网络的人脸识别

基于简化脉冲耦合神经网络(S-PCNN),提出了一种新颖的人脸识别方法。首先通过对神经元振荡特性的分析,将神经元振荡时间序列(OTS)分解为捕获性振荡时间序列(C-OTS)和自激性振荡时间序列(S-OTS)。然后通过图像几何变换和振荡频图,分析了X-OTS(OTS、C-OTS和S-OTS)的鉴别特性。最后利用C-OTS+S-OTS和余弦距离测度给出了人脸识别的系统结构。人脸库中的实验结果验证了所提方法的有效性,显示了它比其它传统算法具有更好的识别性能。

基于三维脉冲耦合神经网络模型的医学图像分割信号与信息处理

该文将脉冲耦合神经网络模型从二维平面扩展到三维空间,同时提出一种新的乘积型互信息算法,将其作为脉冲耦合神经网络分割算法的最优分割准则,并将两者结合实现三维医学图像的整体自动分割.利用该文提出的算法对三维CT肺部图像进行分割实验,结果表明,该算法在保证分割精度的基础上显著地减少了分割运行时间,提高了分割效率,具有应用于医学图像分割的潜在价值.

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.

基于简化脉冲耦合神经网络与拉普拉斯金字塔分解的彩色图像融合

针对图像空间分辨率低及分类精度不高等问题,提出一种基于简化脉冲耦合神经网络(S-PCNN)与拉普拉斯金字塔分解算法的彩色图像融合算法。首先,把RGB图像转换到HSI彩色空间中得到H、S、I三个分量,将H分量输入到S-PCNN模型中,利用S-PCNN对H分量进行特征区域聚类后,基于脉冲震荡频图和局部熵实现各源图像的H分量融合;然后采用拉普拉斯金字塔对S、I分量进行分辨率分解,根据不同融合策略对不同拉普拉斯金字塔图层中的S、I分量进行融合。最后,对融合后的H、S、I分量进行彩色空间逆变换,得到最终的RGB图像。实验结果表明,该融合算法在清晰度、空间频率、标准差方面优于传统的主成分分析(PCA)、脉冲耦合神经网络(PCNN)等算法,能很好地保留源图像的细节、纹理和主要特征信息,有效地提高了图像的融合效果。

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。

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。

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。

基于简化PCNN的车牌定位算法

为了提高车牌定位效率,提出一种混合简化脉冲耦合神经网络(PCNN)和快速连通域标记的车牌定位算法。基于简化PCNN进行图像增强,利用车牌字符的连通域特征、纹理特征和结构特征对增强后的二值图像进行过滤、筛选,得到图像中大致车牌区域,再对所得区域左边界起始的左扩展区域做垂直投影,确定车牌中汉字区域,从而定位车牌。实验结果表明,该算法性能优于其他车牌定位算法,其定位准确率为97.5%。

基于ABC-PCNN模型的图像分割

为使标准脉冲耦合神经网络(Pulse coupled neural network,PCNN)模型在图像分割中能够自适应地调整模型参数与全局阈值,提高分割效果,该文提出一种基于人工蜂群(Artificial bee colony,ABC)算法改进的自适应PCNN模型,即人工蜂群算法-脉冲耦合神经网络(ABCPCNN)模型;提出了改进后的乘积型交叉熵函数,并利用ABC算法将此函数作为其适应度函数优化输出其连接系数和阈值。采用Lena图像和血细胞图像评估PCNN模型和ABC-PCNN模型的性能。实验结果表明:ABC-PCNN模型对图像的自适应分割效果优于PCNN模型。针对血细胞分割图像中存在的重叠区域,该文结合角点和质点坐标定位重叠区域的二次分割线得到最终分割图像,所提算法高效且能得到较好的分割结果。

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PCNN和指数型模糊加权熵的医学图像融合

为了更好地对CT和MRI图像进行融合,提出了一种指数型模糊加权熵自适应融合规则和改进的PCNN区域信息融合规则在多小波基的框架下进行CT和MRI医学图像的融合方法。对待融合图像进行多小波基的分解,对不同频率分量采用不同融合算法。实验表明,算法明显优于其他融合算法。它提高了图像的清晰度,较大程度保留了细节信息,具有边缘信息突出,亮度对比度高的优点。

多尺度分解双寻优策略SPCNN的果园苹果异源图像融合模型

针对单一的自然场景图像信息不能满足准确识别果实和精准定位目标的要求,提出一种多尺度分解双寻优策略简化脉冲耦合神经网络(Simplified Pulse Coupled Neural Network,SPCNN)的飞行时间(Time of Flight,ToF)与可见光果园苹果图像融合模型。对SPCNN模型引入带参数优化的双寻优策略,对非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)融合规则进行改进。模型包括配准模块、编码区、多尺度分解模块、单目标SPCNN融合模型、多目标SPCNN融合模型、解码区。模型改进了SPCNN模型的参数优化方式以及迭代次数,模型自适应点火次数较低,在3~7次左右,具有点火次数低、自适应分割、效率高的优点。中光15:00时段点火识别成功率达到了100.00%,点火分割时间达到最低91.91s。与其他融合模型比较,模型在强光12:00、中光15:00、弱光18:20、19:00时段融合图像识别成功率达到100.00%;融合时间低于SPCNN模型,达到最低92.68 s。模型识别精度最优达到了100.00%,融合耗时最低达到了92.68 s,模型大小较SPCNN低一个数量级,可补充和完善图像层次融合理论和方法。

基于遗传算法和简化PCNN的裂缝检测方法

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目标检测。针对PCNN无法确定裂缝图像的最优检测以及脉冲门限具有非线性因子的问题,提出了一种基于遗传算法(genetic algorithm,GA)和简化PCNN的裂缝图像检测方法。该方法采用最小误差准则作为遗传算法的适应度函数,并且根据遗传算法具有全局最优解的特点确定简化PCNN中各因子的值,实现了简化PCNN的裂缝图像自动分割。将该方法与不同的分割方法对实际裂缝图像的处理结果进行比较,通过区域对比度、准确率和召回率等客观指标进行定量分析,表明了该方法对裂缝图像检测的有效性与通用性。

基于简化的PCNN在超声乳腺癌图像去噪方面的应用

针对乳腺癌超声图像中斑点对诊断的影响,提出一种基于简化的脉冲耦合神经网络(simplified pulse-coupled neuralNetwork,SPCNN)的去噪新方法,并将此方法应用于乳腺癌超声图像滤波。首先利用简化的PCNN定位极端脉冲噪声点并利用中值滤波滤除椒盐噪声,然后利用PCNN赋时矩阵采用分类滤波自适应调节灰度值滤除高斯噪声。用实验图像验证了方法的有效性,然后将此方法应用于乳腺癌的超声图像中进行滤波,实验结果证实该方法对混合噪声在滤波效果和保护细节方面具有优势,对乳腺癌的超声图像能较好地滤除噪声,同时保证了细节,结合医学诊断证实了该方法的有效性。

基于矢量的PCNN模型及其应用

传统PCNN应用于图像分割时,同属于一个区域的内部像素和边缘像素,由于其相邻的被激活像素的个数不同造成连接输入明显不同,这往往造成了误分割。本文对传统PCNN模型加以改进,将输出结果由脉冲序列改成曲线,克服了上述缺点。本文将矢量的概念引入PCNN,使PCNN处理的数据由标量扩充到矢量。传统PCNN一直主要应用于灰度图象处理,本文提出了一种新的应用于彩色图分割的PCNN模型,为PCNN应用于彩色图像处理提供了一定的理论和实践基础。

基于多阈值PCNN的运动目标检测算法

在经典的基于混合高斯模型减背景算法的基础上,在脉冲耦合神经网络(PCNN)对前景和背景的分割过程中,运用了多阈值思想,其迭代次数由简化的最大熵准则决定,并且提出了一种新的模型学习率。经过实验证明,该算法在检测能力、抑制噪声、稳定性等方面得到了较好的改进。

基于S-PCNN与DDCT相结合的多传感器图像融合

基于简化脉冲耦合神经网络(S-PCNN)与方向离散余弦变换(DDCT)提出一种有效的多传感器图像融合算法。首先将输入图像分为不重叠的方块,并对每个图像块进行8个模的方向DCT变换,得到8方向的模系数;然后分别将图像块对应的模系数送入PCNN模型聚类分析后,对比模系数的点火次数,选取合适图像块系数,得到8个新的图像块系数;最后使用PCA算法将8个图像块合成一幅完整图像块。对输入图像的图像块重复融合过程可得完整的融合图像。

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。

一种改进的HSPCNN图像分割算法

针对异构简化脉冲耦合神经网络(heterogeneous simplified pulse coupled neural network,HSPCNN)阈值向量难以设定以及现有综合评价不完善的问题,提出一种改进的HSPCNN图像分割(an improved image segmentation algorithm based on HSPCNN,PHSPCNNM)算法。以阈值向量为优化目标,通过引入信息熵评价参数改进现有综合评价准则,然后将改进的综合评价准则作为粒子群的适应度函数,通过粒子群优化得到最优分割图像。实验结果表明,改进算法分割效果更理想。