用无需选取参数的Unit-linking PCNN进行自动图像分割

脉冲耦合神经网络(PCNN—Pulse Coupled Neural Network)是一种有生物学依据的人工神经网络,它可有效地用于图像分割。基于PCNN的图像分割效果取决于PCNN中各参数的选择。然而,图像分割时,各种不同的图像对应的PCNN参数是不同的,而PCNN参数的选择是困难的。本文提出了一种基于Unit-linking PCNN的图像分割新方法,解决了PCNN图像分割参数选择的难题。用本文提出的新方法可有效地自动分割各种图像,而无需考虑PCNN参数的选择,这对于PCNN的理论研究和实际应用有重要的意义。

基于参数自适应PCNN和卷积稀疏的多聚焦图像融合

针对同一目标不同焦点图像优势互补的需求和现有多焦点图像融合算法存在焦点不清晰、边缘模糊和重影等问题,引入一种基于参数自适应脉冲耦合神经网络(PAPCNN)和卷积稀疏表示(CSR)的多聚焦图像融合算法。在非下采样剪切波变换(NSST)分解高低频子带的基础上,采用CSR融合低频子带系数,其中的高频子带系数利用一种参数自适应PCNN算法(PAPCNN)进行融合,并且对PAPCNN中的隐函数β进行改进,达到更好的融合效果。仿真实验结果表明,该方法解决了传统PCNN算法在融合图像时参数设置困难和传统稀疏表示细节保存性能不佳的问题,在视觉效果和客观指标方面与现有主流融合算法相比均具有较大优势。

基于PCNN图像分割新算法

在原有PCNN的基础上提出一种新的参数自适应PCNN模型,该模型中的各参数均由像素点本身决定,而不受人为的外界干涉,因此,该算法在图像处理领域有较好的运用价值。此外提出另一类分割判定准则——最大相关系数判定准则。最后通过对3种不同的图像分割实验结果分析后得出。该算法和最大相关系数判定准则在图像分割领域中具有较强的适应性和较好的辅助意义。