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。

洪水灾情评价的脉冲耦合神经网络模型

洪水灾情的评价工作对洪水灾害的分类管理具有重要的指导意义。脉冲耦合神经网络模型应用到洪水灾情评价中是一次新尝试,该方法通过脉冲输出从而调节阈值,并且应用动态阈值来确定洪水灾情的等级。这个方法比传统的BP模型简化了权值的训练,模型更加简便、直观。采用脉冲耦合神经网络模型得出的评价结果同灰色关联法、灰色聚类法、灰色模糊综合法的评价结果进行了比较,表明其用于洪水损失评价具有科学性和实用性。

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.

一种基于脉冲耦合神经网络的图像降噪方法

传统的脉冲耦合神经网络(PCNN)在图像降噪时不能准确地定位噪声数据并去除图像噪声。提出一种基于改进的PCNN有效去噪方法。该方法在PCNN模型上采用自适应的突触连接系数,使之随不同神经元与其周围神经元相似程度的不同而自适应变化,提高噪声数据的辨识度;同时将PCNN神经元的点火频次记录在点火时间序列中,根据神经元点火次数判断并滤出噪声点,实现更好地降噪效果。实验测试结果表明,该方法不仅可以准确地辨识噪声数据,而且能够有效地去除图像的噪声点,具有较强的适应性和较好的边缘与细节保护能力。

基于脉冲耦合神经网络融合的压缩域运动目标分割方法

针对H.264压缩域内运动目标分割算法所存在的弱自适应性和抗噪能力差等问题,本文提出了一种基于脉冲耦合神经网络的压缩域运动目标分割方法.该方法采用时空域矢量均值滤波对运动矢量进行预处理,减少运动目标丢失率,并设计了前后向矢量累积方法,增强运动矢量的可靠性.基于脉冲耦合神经网络设计的融合模型可以将累积后的运动矢量和宏块模式进行融合处理,增强分割算法的抗噪能力,保证加快分割速度的同时兼顾运动区域的分割准确度.另外,采用最小交叉熵作为点火终止判断条件,实现了最佳分割模板的自适应获取.仿真实验表明,本文算法在自适应性和抗噪能力方面均有较好表现,可以准确分割出监控视频中的运动目标.

基于Harris矩阵的脉冲耦合神经网络模型

分割含有弱边界、对比度低的图像目标时,传统的脉冲耦合神经网络模型难以得到有效的分割效果,主要原因是动态阈值的衰减时间常数固定,衰减速度固定,分割弱边界时,输出的脉冲信号难以准确描述目标区域,产生误分割现象。为了解决这一问题,本文采用Harris矩阵获取图像梯度信息,特别是弱边界的梯度信息,提出动态阈值的衰减速度与图像的梯度信息有关,当梯度信息大时,动态阈值的衰减快,当梯度信息小时,动态阈值的衰减速度慢,给出动态阈值的新定义。通过对弱边界、对比度低的图像进行仿真对比实验,说明本文算法的分割效果优于传统脉冲耦合神经网络模型。

一种改进衰减时间常数的脉冲耦合神经网络模型

在传统脉冲耦合神经网络模型(PCNN)中,当神经元的内部活动项大于动态阈值时输出脉冲,根据输出脉冲分割出图像目标。分割弱边界的图像目标时,由于动态阈值的衰减时间常数固定不变,动态阈值的衰减速度过快或过慢于理论需要的衰减速度时,影响神经元的内部活动项与动态阈值的比较,发送错误的脉冲信号,产生误分割现象。为了解决这一问题,本文利用人眼对图像亮度的敏感性,使动态阈值的衰减速度与人眼对亮度的敏感度相一致,提出将人眼亮度权重系数作为动态阈值的衰减时间常数的系数,得到新的动态阈值。通过对含有弱边界、目标不规则、目标像素点的灰度值与背景像素点的灰度值存在重叠区域的图像进行仿真对比实验,实验结果说明本文提出的算法优于传统脉冲耦合神经网络模型。

基于栅格元的脉冲耦合神经网络模型

传统脉冲耦合神经网络模型描述神经元之间的内在联系时,仅仅考虑神经元之间的空间位置信息,忽略了神经元之间的灰度信息,使神经元之间的连接权值不准确,易产生误分割现象。为了解决这一问题,本文采用栅格元的响应函数作为神经元之间的连接权值,得到新的连接输入项。在新的连接权值中,不仅考虑了局部区域的灰度信息,而且考虑了局部区域的方差信息,同时继承了栅格元神经元的优点,即具有较强的方向性、位置相对性和周期性。通过对遥感图像、生活图像、血管图像进行仿真对比实验,实验结果说明本文提出的算法优于传统脉冲耦合神经网络模型。

基于感觉亮度的脉冲耦合神经网络模型

在脉冲耦合神经网络模型中,为了寻找最优衰减时间常数,基于韦伯-费赫涅尔定律,考虑到人眼的感觉亮度与实际亮度对数之间的线性关系,提出将人眼的感觉亮度作为动态阈值的衰减时间常数,使神经元动态阈值的衰减速度更符合人眼的亮度感觉。对含有弱边界、对比度低的图像目标进行仿真对比实验。实验结果表明,提出的算法性能优于传统脉冲耦合神经网络模型。

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。

基于多尺度空间PCNN模型的图像分割算法

运动车辆图像中车牌具有所占比例小、位置不固定和大小不一的特点,因此,对车辆图像分割时车牌区域容易产生过分割与欠分割问题.脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)被誉为"第三代神经网络"并广泛应用于图像分割.在利用PCNN模拟人类视觉的图像分割过程中,由于传统PCNN模型中的连接矩阵使用固定值表示,使得PCNN模型不能满足图像分割时尺度变化的需求.为了解决这个问题,本文提出了基于多尺度空间PCNN模型的车辆图像分割算法,将尺度空间引入PCNN模型,使PCNN模型具有了尺度特性,提高了系统自适应分割车牌图像的能力.

基于L＆A-PCNN模型的混合噪声滤除

现有脉冲耦合神经网络模型普遍存在阂值函数复杂、用于图像平滑时图像信息易丢失以及易产生污斑等缺陷．为此，文中设计了一种阈值线性衰减的输出带权均值型PCNN模型，简称L＆A—PCNN．通过数学推理和实验获得了L＆A-PCNN的关键参数的最优选取范围，并将L＆A—PCNN与中值滤波器结合对图像去噪领域的难点——混合噪声进行修复．仿真实验结果证明，L＆A—PCNN算法的去噪性能比现有算法提高了5％～30％．

基于优化PCNN模型的黄瓜叶片病斑提取方法

黄瓜叶部病斑的精确提取是计算机视觉技术在黄瓜病害识别系统中应用的关键。由于黄瓜叶部病斑形态小、光照不均匀、背景复杂等特性,导致现有的病斑提取方法精度较差。针对这一问题,提出一种基于优化脉冲耦合神经网络(pulse coupled neural network,简称PCNN)模型的黄瓜叶片病斑精确提取方法。首先,对采集的病斑叶片进行Lab颜色空间变换,通过对颜色分量的平均值和高斯滤波结果进行差值计算,获取病斑叶片的频率调谐视觉显著性图;接着,对病斑图像进行HSI颜色空间变换,提取色调(hue,简称H)分量,进行色调的均衡优化,并通过融合优化后的H参量来增强病斑叶片的频率调谐视觉显著性图;最后,对传统PCNN模型进行简化,构建网络参量的自适应更新规则,并将融合后的显著性图作为模型的输入参量进行病斑的分割和形态学处理,获取病斑的提取结果。结果显示,本研究方法能够实现在光照度改变、背景干扰等不同复杂环境下对黄瓜常见病斑图像进行精确提取,试验结果为后续的病害精确识别奠定了较好的基础。

一种基于局部特征的PCNN电力故障区域提取方法

为有效提取红外图像中电气设备的故障或异常区域,提出一种新的红外图像故障区域提取方法。以脉冲耦合神经网络(PCNN)同步点火机理为依据,通过简化其内部参数,同时在参数优化配置下结合故障区域和非故障区域邻域边界的局部特征,设置PCNN模型迭代结束规则,从而使模型能进行自适应迭代,并获取红外图像故障区域。针对实际的红外检测图像进行实验,结果表明,与Otsu、k-means、分水岭及改进的PCNN方法相比,该方法具有较好的故障区域提取性能。

基于形态学图像增强和PCNN的脑部CT与MRI图像融合

图像在融合过程中容易引入伪吉布斯现象,在图像的边缘细节处容易产生“伪影”和振铃现象。针对以上问题,提出了一种基于形态学图像增强和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的脑部CT与MRI图像融合方法。首先基于形态学对源图像进行开运算和闭运算增强处理,再将增强处理过的图像作为PCNN接收域的输入激励,输入PCNN融合模型内,对模型输出的权重图进行判定,形成一幅清晰并且易于处理的图像。实验结果表明,所提方法在保持边缘清晰化、保留有效信息、平衡冗余现象方面都优于其他方法,经过形态学图像增强和PCNN融合后的图像相较于未经增强处理的PCNN方法所得图像的平均梯度提高了24.59%左右,空间频率提高了42.56%左右;相较于基于拉普拉斯的图像融合方法,图像的标准差提高了16.67%左右。

Effects of Aging and Self-organized Criticality in a Pulse-Coupled Integrate-and-Fire Neuron Model Based on Small World Networks

Effects of aging and self-organized criticality in a pulse-coupled integrate-and-fire neuron model based on small world networks have been studied. We give the degree distribution of aging network, average shortest path length, the diameter of our network, and the clustering coefficient, and find that our neuron model displays the power-law behavior, and with the number of added links increasing, the effects of aging become smaller and smaller. This shows that if the brain works at the self-organized criticality state, it can relieve some effects caused by aging.

特征捆绑的计算模型

特征捆绑问题一直是认知科学和神经科学中的一个重要问题.本文通过将噪声神经元模型的思想、贝叶斯方法和脉冲神经网络模型相结合,并引入竞争机制,提出了一个特征捆绑的计算模型-BayesianL inking Field模型,对视感知中的特征捆绑问题进行研究.实验证明本研究的模型很好地完成了视觉感知中特征捆绑的任务,并给感知研究带来了新的思路.

基于引导滤波与改进PCNN的多聚焦图像融合算法

针对多聚焦图像融合中目标物边缘处产生虚影的问题,提出一种基于引导滤波与改进脉冲耦合神经网络(PCNN)的多聚焦图像融合算法。该算法利用引导滤波器对源图像进行多尺度边缘保持分解,对分解得到的基本图像和细节图像采用不同的引导滤波加权融合策略进行初步融合;将初步融合图作为外部输入激励刺激改进的PCNN模型;根据融合权重图对多幅源图像进行融合,获得最终的融合图像。实验结果表明,与传统融合算法相比,本文方法较好地保留了源图像的边缘、区域边界以及纹理等细节信息,避免了目标物边缘处产生虚影,提高了融合图像的质量。

DELAY DIFFERENTIAL EQUATIONS UNDER NONLINEAR IMPULSIVE CONTROL AND APPLICATIONS TO NEURAL NETWORK MODELS

In this paper, a class of delay differential equations with nonlinear impulsive control is discussed. Based on the nonsmooth analysis, criteria of stability are obtained for delay differential equations with nonlinear impulses control under certain conditions. These criteria can be applied to some neural network models. At the end of the paper, two examples are provided to illustrate the feasibility and effectiveness of the proposed results.