基于脉冲发放皮层模型的图像分割方法

图像分割算法对光照强度的反应较敏感,同一种算法往往很难对不同光照情况下的图像进行有效分割。基于此,提出一种基于脉冲发放皮层模型的图像分割方法。首先选用不同阶段指数函数对漏电积分器的特性近似逼近。其次,根据亮图像与暗图像之间的区别选择不同的衰减函数,使模型对不同亮度图像具有较好的适应性。实验表明该方法能够对不同光照条件下的图像进行有效地分割,同时较好地保留图像的细节信息,与改进的脉冲耦合神经网络、改进的交叉皮层模型以及二维OTSU算法相比,具有较强的鲁棒性。

整合-激发神经网络的同步脉冲发放

研究一种简化的整合-激发神经网络的集体行为。该模型显示出短时行为并快速收敛到周期激发模式,同时伴有局部的同步脉冲发放行为。用标准欧拉算法研究了该模型的动态行为,结果显示当用标准欧拉算法研究用以描述大型整合-激发神经网络的动态行为的微分方程时,必须用很小的时间步长才能准确产生局部的同步脉冲发放。为此,提出一种改进的欧拉算法,该方法用一个线性插值来确定激发时间,大大提高了网络的性能。

脉冲发放神经元随机模型研究与应用分析

当今,随着科学技术的飞速发展,人们对于神经元随机模型的研究与认识不断深入,尤其是对神经电路的研究。人工神经网络是现代信息处理领域的一个重要的方法。相对于软件实现,硬件实现方式能充分发挥神经网络并行处理的特点。用模拟电路实现神经网络电路形式简单、功耗低、速度快、占用芯片面积小,可以提高在神经网络芯片上神经元的集成度,神经元电路适合用模拟电路实现。本文首先简述了脉冲发放神经元的由来和神经元模型及种类,并由此提出了信号在神经元随机模型的传输特性,最后进一步分析总结了脉冲发放神经元随机模型的特征与应用。

结合NSST与优化脉冲发放皮层模型的红外与可见光图像融合

针对传统红外与可见光图像融合时边缘不清晰、对比度不高、细节丢失等问题,结合非下采样剪切波变换(NSST)具有多尺度,最具稀疏表达特性与脉冲发放皮层(SCM)具有耦合、脉冲同步激发等优点,提出一种基于NSST与多目标人工蜂群优化SCM参数的图像融合方法。首先,通过NSST分解红外与可见光图像获得高频与低频子带系数,然后低频子带系数采用基于边缘信息指导SCM融合策略,高频子带系数采用改进的空间频率作为优化SCM的激励进行融合,最后经过NSST逆变换得到最终图像。实验结果表明,该方法相比其他融合算法不仅在主观评价上有一定程度的改善而且在客观评价指标互信息(MI)与边缘保留度(QAB/F)上有明显的提高。

结合HSI变换与双通道脉冲发放皮层的彩色多聚焦图像融合

结合非下采样剪切波变换(NSST)和改进的拉普拉斯能量和以及双通道脉冲发放皮层模型(DCSCM),提出一种新的彩色多聚焦图像融合算法.首先对源图像进行HSI彩色空间变换获得色调、饱和度和亮度分量,对源图像亮度分量采用NSST进行分解,获取相对应的高低频分解系数;然后低频分量系数依据改进的拉普拉斯能量和规则进行筛选,高频分量系数采用DCSCM进行融合,经过NSST逆变换获取亮度信息的融合分量;最后利用源图像与亮度分量的欧式距离关系实现色调与饱和度分量进行的分配,通过HSI逆变换获得最终的融合结果.实验结果表明,算法取得了较好的视觉效果并且在互信息、结构相似度、边缘保留度等客观评价指标中具有优势.

Izhikevich神经脉冲发放模型的FPGA硬件实现方法

首先将该神经元模型模块化,然后利用VHDL语言对各个模块进行硬件描述,最后在FPGA中硬件实现了20种神经元的脉冲发放模式,为多种脉冲神经网络的硬件实现提供了参考.

一个脉冲发放型人工神经元

本文首先总结了生物神经元的一些基本特性,对调节联接的霍伯(Hebb)规则提出了新的见解,得出生物神经元的总和过程是间歇式的结论,通过对支配神经元活动的Hodgkin-Huxley方程进行合理简化得到一个具有类似于生物神经元动作方式的人工神经元;给出了这一模型的电路实现和解析解 ;最后,研究了该模型组成的多层网络实现异或分类问题.该模型具有生物神经元的主要特性,如总和效应、潜伏期和不应期等,并且兼顾到在工程上其容易由硬件、软件实现等问题.

基于改进引导滤波和双通道脉冲发放皮层模型的红外与可见光图像融合算法

针对传统红外与可见光图像融合算法中存在的目标不够突出、背景缺失、边缘信息保留不够充分等问题,提出了一种基于改进引导滤波和双通道脉冲发放皮层模型(DCSCM)的红外与可见光图像融合算法。首先,对源图像进行非降采样Shearlet变换(NSST),得到相应的低频和高频分量。然后,分别采用改进的引导滤波算法和DCSCM模型对低频、高频分量进行融合。最后,对融合得到的高低频分量进行NSST逆变换得到最终的融合图像。与其他几种方法进行比较,实验结果表明,本文算法的融合图像目标突出,背景信息丰富,且在图像清晰度、对比度、信息熵等方面均有优势。

脉冲同步发放特性实现彩色交通标志分割

自然场景下道路交通标志自动分割是导航系统的关键环节,为充分利用交通标志特殊的彩色信息,通过模拟人类视觉感知中锥状细胞和杆状细胞感受色彩的过程,利用脉冲耦合神经网络的脉冲捕获特性和同步发放特性,分别计算不同颜色成分在R、G、B 3个色彩分量中神经元点火产生自动波的时间,用最大熵法求解最佳迭代次数,经过逻辑"与"运算得出分割区域。通过GB 5768—1999和自然场景彩色交通标志图像进行实验,对比传统的将彩色图像转化成灰度图像的实验结果,选定合适的参数,都能够完整地将交通标志区域从复杂背景中分割出来。采用视觉感知脉冲同步发放特性能够充分利用图像色彩信息,为脉冲耦合神经网络的彩色图像处理方法提供依据。

一种基于蚁狮最大熵算法与引导滤波的图像融合算法

传统红外与可见光图像融合算法中易出现目标提取不够充分、细节丢失等问题,导致融合效果不理想,从而无法应用于目标检测、跟踪或识别等领域。因此,该文提出一种基于蚁狮优化算法(ALO)改进的最大香农(Shannon)熵分割法结合引导滤波的红外与可见光图像融合方法。首先,使用蚁狮最大熵分割法(ALO-MES)对红外图像进行目标提取,然后,对红外和可见光图像使用非下采样剪切波变换(NSST),并对获得的低频和高频分量进行引导滤波。由提取的目标图像与增强后的红外和可见光低频分量通过低频融合规则得到低频融合系数,增强后的高频分量通过双通道脉冲发放皮层模型(DCSCM)得到高频融合系数,最后经NSST逆变换得到融合图像。实验结果表明,所提算法能够得到目标明确、背景信息清晰的融合图像。

基于改进模糊C均值聚类的图像融合算法

为了更好地突出红外与可见光融合图像中的目标信息,保留更多的纹理细节信息,提出了一种基于非下采样剪切波变换(non-subsample shearlet transform,NSST)域结合脉冲发放皮层模型(spiking cortical model,SCM)与改进的模糊C均值聚类(fuzzy C-means clustering,FCM)的红外与可见光图像融合算法。首先,用改进的FCM提取源红外图像中的红外目标信息;然后,将得到的红外图像与可见光图像的目标区域和背景区域进行NSST分解,得到各自的高低频子带图像;接着,对得到的不同区域采用不同的融合策略,其中,对于高频背景区域采用SCM模型与改进赋时矩阵进行融合;最后,使用NSST逆变换,得到最终的融合图像。仿真实验证明,与其他方法相比,本文算法得到的融合图像在主观视觉上红外目标信息突出,纹理细节信息丰富,在客观评价上,其信息熵和边缘保留因子达到最优。

基于FCM与引导滤波的红外与可见光图像融合

针对传统红外与可见光图像融合算法中存在的目标模糊、细节丢失、算法不稳定等问题,提出了一种基于模糊C均值聚类(Fuzzy C-means,FCM)与引导滤波的红外与可见光图像融合方法。原图像经过非下采样剪切波变换(Nonsubsampled Shearlet Transform,NSST)后对低频子带进行引导滤波增强,再利用FCM与双通道脉冲发放皮层模型(Dual Channel Spiking Cortical Model,DCSCM)结合对高低频子带进行融合,最后经NSST逆变换得到融合图像。实验结果表明,本文算法稳定,主观评价上所得融合图像目标明确,细节保留较为完整,客观评价上在标准差、互信息、平均梯度、信息熵和边缘保留因子等评价标准中表现优良。

基于加权强度PCNN模型的分块人脸识别

为提高利用脉冲耦合神经网络(pulse coupled neural network,PCNN)进行人脸识别时的准确率,提出基于加权强度PCNN模型的分块人脸识别方法。在简化PCNN模型的基础上,引入自发脉冲发放强度、耦合脉冲发放强度和加权强度的概念,细化模型的输出;根据人脸图像各部分灰度分布的不同和局部识别率的不同,将人脸图像进行分块;进行人脸识别时,分块的权值会根据分块图像的局部信息熵自适应地设定,模型的参数会根据分块图像内容设定,一幅人脸图像的识别结果会综合各分块的识别结果。多个数据库上的实验结果表明,该算法可以有效地提高识别率。

基于网格搜索算法的PCNN模型参数自适应

为提高利用脉冲耦合神经网络(pulse coupled neural network,PCNN)模型进行人脸识别时的准确率,并解决利用PCNN进行人脸识别时,模型中多个参数需凭经验设定的问题,提出一种基于脉冲发放强度的PCNN(QD-PCNN)模型和改进的网格搜索算法。QD-PCNN模型在简化的PCNN模型基础上,引入脉冲发放强度,细化模型的输出。改进的网格搜索算法在进行参数寻优时,根据识别对象,在较大范围内搜索,在得到的寻优结果附近区域进行精确搜索。在实验中,将通过改进的网格搜索法得到的参数组合运用到QD-PCNN模型中进行人脸识别,实验结果验证了该方法的有效性。

一种基于对比度增强和柯西模糊函数的红外与弱可见光图像融合算法

由于可见光图像在低光照环境下其可视性较差,为了提高红外与弱可见光图像融合的效果,提出了一种基于对比度增强和柯西模糊函数的图像融合算法.首先用改进的引导滤波自适应增强提高弱可见光图像暗区域的可视性;其次,利用非下采样剪切波变换将红外和增强后的弱可见光图像分解,得到相应的低频和高频子带;再后,分别用直觉模糊集构建柯西隶属函数和自适应双通道脉冲发放皮层模型对低频、高频子带进行融合;最后,使用非下采样剪切波变换对融合得到的高低频子带进行逆变换重构得到融合图像.实验结果表明,与其它融合算法相比,该算法有效地增强了弱可见光图像的暗区域,保留了更多的背景信息,从而提高了融合图像的对比度和清晰度.

自适应彩色图像SCM去噪

提出一种彩色图像去噪方法。该方法首先利用脉冲发放皮层模型(spiking cortical model,SCM)的同步脉冲发放特性和脉冲噪声明显不同于周围非噪声像素的特点定位彩色图像各通道中脉冲噪声点的位置;然后根据噪声检测情况自适应地选择窗口的大小及对应的滤波方法仅滤除噪声像素,保持非噪声像素不变。实验数据表明该方法能够充分去除噪声的同时很好地保持图像细节。对污染严重的图像,用该方法去噪后的主观视觉和客观评价明显有所改善。

一种基于视皮层神经元模型的彩色图像签名算法

针对彩色图像签名问题进行了研究,基于哺乳动物视皮层神经元工作原理,提出了一种三通道脉冲发放皮层模型TSCM(Triple-Channel Spiking Cortical Model),实现了对彩色图像不变性特征的有效提取。TSCM模型不但具有常规脉冲耦合神经网络签名算法的平移、旋转、缩放不变性,而且算法更加简洁高效,对于噪声影响具有更强的鲁棒性。实验仿真结果验证了该算法的有效性。

PCNN在图像处理中的应用

简要介绍了有生物学依据的新型人工神经网络——脉冲耦合神经网络（PCNN），总结了近年来PCNN用于图像处理方面的研究成果，阐述了PCNN在图像去噪、图像增强、图像分割、图像边缘检测、图像融合、图像阴影去除、最小路径求解等方面的各种新算法．研究发现，PCNN可有效用于图像处理．虽然PCNN解决图像处理的不同问题时算法各异，但都用到了PCNN的脉冲传播特性。最后指出了今后PCNN的一些研究热点．

输液泵气泡检测方法研究

研究超声波检测智能输液泵管路中气泡的方法。利用超声波穿越两种不同介质的界面时,会发生反射、折射、透射等物理现象,因水和空气之间的声阻抗差别较大,超声波穿透水与空气的分界面时会发生较大程度的反射和折射,利用这一物理现象,通过监测超声波的能量(输出电压),即可得到输液管内是否存在气泡以及气泡存在的程度。通过测定超声波的穿透能量,可以检测输液管路内的气泡。用超声波能准确地检测出输液管路中的气泡,是目前输液泵检测气泡的主要方法。

基于SCM的虹膜干扰区域去除算法

为了提高虹膜识别率,提出了一种新的睫毛及眼睑区域定位算法。为了提取呈不同角度分布的睫毛,结合SCM模型和动态交叉熵准则对归一化虹膜图像进行多次迭代,根据图像的灰度分布特性,选取合适迭代结果,对多幅迭代图像进行边缘像素点跟踪融合来获得理想的干扰区域轮廓定位。采用高斯金字塔尺度变换与霍夫变换相结合的方法对眼睑的类椭圆区域进行拟合,进而获得连续的眼睑边缘,实现对归一化虹膜图像中干扰区域的准确定位。实验结果验证了方法的有效性。