一种基于PCNN赋时矩阵的图像去噪新算法

该文从图像脉冲噪声的特点出发,提出了基于脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)赋时矩阵的图像去噪算法。赋时矩阵是由PCNN产生的一种从空间图像信息到时间信息的映射图,在图像处理中,赋时矩阵包含有与空间相联系的有用信息。计算机仿真结果表明,通过对PCNN赋时矩阵分析与处理,综合运用相关方法,可以有效地滤除被脉冲噪声污染的图像噪声,且恢复图像的视觉效果明显地好于中值滤波、均值滤波及维纳法得到的结果,其信噪比高、去噪能力强、对边缘和细节的保护性好、适应性强。

PCNN赋时矩阵高斯噪声滤除算法

为消除图像降噪过程中传统降噪方法对图像边缘和细节的影响,提出一种基于改进脉冲耦合神经网络(pulse coupled neural network,PCNN)赋时矩阵的有效滤除高斯噪声算法。该算法将PCNN模型的突触联结强度改进为随神经元与其周围神经元相似程度不同而变化的可变值,并将PCNN神经元的点火时间记录在赋时矩阵中,根据点火时刻判断噪声点,选择滤波方式。实验结果表明:该算法能够有效去除高斯噪声,具有较强的降噪性能及很好的边缘与细节保护能力。

基于改进PCNN的数据降噪方法

为去除数据中存在的噪声点,提高数据质量,提出一种基于改进PCNN的数据降噪方法。该方法在无耦合链接的简化PCNN模型基础上,改进阈值函数,添加记录神经元是否点火的矩阵以及点火时间矩阵,根据神经元初次点火时间辨识并去除噪声点,从而实现数据降噪。实验测试结果表明:该算法能够有效滤除数据中的噪声点,很好地保持原始数据的特征。

基于改进PCNN决策的非对称裁剪中值去噪方法

为有效滤除图像中椒盐噪声,同时能保留更多边缘和细节信息,构造了脉冲耦合神经网络(PCNN)与非对称裁剪中值滤波(UTMF)结合的去噪方法。设计自适应连接系数的改进型PCNN,提高对噪声的辨识;提出椒盐噪声在PCNN点火时间矩阵中的值具有极限性以定位噪声;在基于点火时间矩阵决策下对噪声图像进行UTMF处理。实验表明,该方法信噪比高、细节信息保护好、视觉效果佳、适应性强。

基于点火频率的两层PCNN参数研究及其应用

提出了一种新的两层PCNN网络结构,第一层为Eckhorn网络,第二层为内部无链接神经元,和第一层的神经元一一对应,用来接收第一层神经元的脉冲输出。该模型综合考虑了空间和时间因素,更加接近于生物神经元。提出了该两层PCNN网络循环次数的确定方法。新的模型及其有关算法用于图像分割时,分割结果以第二层神经元的点火二值矩阵为最终分割结果,实验表明文中提出的新模型和根据初始参数确定循环次数的方法是有效的。

基于可变步长PCNN赋时矩阵高斯噪声滤波

提出了一种用脉冲耦合神经网络(pulse-coupled neural network,PCNN)赋时矩阵定位噪声、分类滤波并能自适应调整灰度补偿步长的高斯噪声滤波方法。使用PCNN求得含噪图像的赋时矩阵,再在滤波窗口中根据目标像素与周围像素的点火时刻关系确定噪声点,对噪声点分4类滤波:增加、减少可变灰度步长,维纳滤波和中值滤波,最后对图像维纳滤波平滑小噪声点。实验结果表明,该算法能有效去除噪声且较好保持图像的边缘细节,与同类高斯滤波方法进行峰值信噪比、信噪比改善因子比较,验证了算法的有效性。

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。