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。

用简化脉冲耦合神经网络实现交通标志图像的类Euclidean距离变换类内特征提取

脉冲耦合神经网络(PCNN)提取的特征序列的旋转不变性降低了道路交通标志类内匹配识别的准确性,为了提取更有利于形状分类的特征向量,本文利用PCNN的自动波扩散特性,简化了PCNN模型。采用简化PCNN模型产生的类Euclidean距离图像作为分类特征,利用最小方差值进行匹配分析,并通过实验选取了最佳PCNN参数。针对道路交通标志图像库GB5768-1999的实验结果表明,采用获得的类Euclidean距离图像作为特征向量进行分类匹配,在选定边缘图像的迭代次数N为16,反馈输入固有电势VF为0.65,动态门限固有电势VT为100,卷积核矩阵为5×5时,最小方差值均出现在对应的标准图像位置。结果表明,简化PCNN的类Euclidean距离变换能够有效提取二值边缘图像的形状信息。该方法优于传统PCNN熵序列的特征向量方法,类内区分效果更加明显。

基于简化脉冲耦合神经网络的蝗虫图像二值分割

采用参数简化的脉冲耦合神经网络(PCNN)分割图像,进行了蝗虫图像分割实验,区域正确识别率达94%,为蝗虫自动侦测系统中的数据处理提供了技术支持。计算机仿真表明,采用PCNN图像分割算法,图像中的目标(蝗虫)易于发现,分割效果明显好于采用开操作处理的图像。

基于改进的简化脉冲耦合神经网络的煤矿井下图像去噪方法

针对传统图像去噪方法易使图像模糊和丢失边缘信息等问题,根据煤矿井下视频图像光度不均、噪声较大的特点,提出采用基于改进的简化脉冲耦合神经网络对煤矿井下图像进行去噪处理。对简化的脉冲耦合神经网络模型中神经元连接强度β的选取方法进行改进,使β依赖于图像像素灰度值,从而更加有效地去除椒盐噪声;对动态门限的衰减时间常数αE的选取方法进行改进,使αE依赖阈值输出的放大系数vE,减少整个模型的参数,并通过实验选取vE值。实验结果表明,与传统的中值滤波、均值滤波方法相比,基于改进的简化脉冲耦合神经网络的去噪方法不仅有效去除了矿井图像的椒盐噪声,而且很好地保持了图像的边缘等细节特征。

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。

基于简化自适应脉冲耦合神经网络模型和非下采样剪切波变换的多模态图像融合算法研究

目的:提出一种简化自适应脉冲耦合神经网络(PCNN)模型和非下采样剪切波变换(NSST)的CT和MR图像融合算法,用于PCNN模型构建融合规则。方法:采用NSST变换将已配准的CT和MR图像分解成高频和低频子图像,分别采用基于平方差之和与方向梯度特征之和的PCNN模型融合低频子图像;而高频子图像采用绝对值取大与方向梯度特征之和进行融合。采用NSST逆变换重建融合图像,选取哈佛大学脑图库8组临床实例的CT和MR图像进行仿真试验,仿真算法为本研究算法和5种基于NSST变换的融合算法,采用互信息、空间频率、标准差、边缘强度和相似度对融合图像质量进行评估。结果:定性分析与其他5种基于NSST变换的算法相比,基于图像融合算法获得的融合图像对比度、清晰度和边缘强度均最佳;本研究算法所得定量结果中互信息为2.71%~13.63%,空间频率为12.25%~73.69%,标准差为1.86%~26.33%,边缘强度为0.37%~29.90%,相似度为0.37%~67.07%,均比5种基于NSST变换的算法有不同程度提升。结论:基于简化自适应PCNN模型和NSST变换的融合算法性能优越,是一种可行的CT和MR图像融合算法。

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。

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。

用简化脉冲耦合神经网络对图像进行二值分割

结合图像二值分割的特点,对脉冲耦合神经网络算法进行了一定的简化和改进,通过将其应用到航空遥感影像的二值分割中,发现其具有良好的分割效果,特别是在具有强噪声和阴影影响的影像分割中更显示其优于传统的算法。

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.

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。

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。

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。