Image Fusion Algorithm Based on Spatial Frequency-Motivated Pulse Coupled Neural Networks in Nonsubsampled Contourlet Transform Domain

Nonsubsampled contourlet 变换(NSCT ) 为图象提供灵活 multiresolution， anisotropy，和方向性的扩大。与原来的 contourlet 变换相比，它是移动不变的并且能在奇特附近克服 pseudo-Gibbs 现象。脉搏联合了神经网络(PCNN ) 是一个视觉启发外皮的神经网络并且由全球联合和神经原的脉搏同步描绘。它为图象处理被证明合适并且成功地在图象熔化采用。在这份报纸， NSCT 与 PCNN 被联系并且在图象熔化使用了充分利用他们的特征。在 NSCT 领域的空间频率是输入与大开火的时间在 NSCT 领域激发 PCNN 和系数作为熔化图象的系数被选择。试验性的结果证明建议算法超过典型基于小浪，基于 contourlet，基于 PCNN，并且 contourlet-PCNN-based 熔化算法以客观标准和视觉外观。

Feature-Based Fusion of Dual Band Infrared Image Using Multiple Pulse Coupled Neural Network

To improve the quality of the infrared image and enhance the information of the object,a dual band infrared image fusion method based on feature extraction and a novel multiple pulse coupled neural network(multi-PCNN)is proposed.In this multi-PCNN fusion scheme,the auxiliary PCNN which captures the characteristics of feature image extracting from the infrared image is used to modulate the main PCNN,whose input could be original infrared image.Meanwhile,to make the PCNN fusion effect consistent with the human vision system,Laplacian energy is adopted to obtain the value of adaptive linking strength in PCNN.After that,the original dual band infrared images are reconstructed by using a weight fusion rule with the fire mapping images generated by the main PCNNs to obtain the fused image.Compared to wavelet transforms,Laplacian pyramids and traditional multi-PCNNs,fusion images based on our method have more information,rich details and clear edges.

基于灰狼优化算法的PCNN中药材显微图像分割

为有效分割中药材显微图像的目标信息,提出了一种基于灰狼优化算法(Gray wolf optimization,GWO)的改进型脉冲耦合神经网络(Pulse coupled neural networks,PCNN)中药材显微图像自动分割方法。首先,从适应处理显微图像的角度出发对传统PCNN模型进行简化与改进;其次,在训练图像中提取香农熵值作为GWO的适应度函数来自适应调节PCNN关键参数——链接系数β,进而实现图像目标的最优分割;最后,将所提算法与聚类分割法、OTSU法、传统PCNN法进行了实验比较,并用骰子系数、体积重叠误差、相对体积、精确度和交并比等常用医学图像分割评判标准对4种处理方法做了客观评价。实验结果表明,所提方法能够实现图像的自适应分割,较好地保持了图像细节、纹理及边缘等信息,对不同显微图像分割准确度高,改善了图像的分割性能,具有较强的适用性。

基于遗传蚁群优化的PCNN改进中值滤波图像去噪方法

为实现数字图像自适应去噪,提出一种基于遗传蚁群算法(GACA)优化的脉冲耦合神经网络(PCNN)改进中值滤波混合图像去噪方法(GACA-PCNN-MF)。通过将遗传算法(GA)和蚁群算法(ACO)相结合使GA的计算结果用于增强ACO早期信息素,最终使ACO在正反馈机制中加速优化PCNN关键参数,然后使用优化后的PCNN改进中值滤波技术进行图像去噪处理。通过实验分析和定量计算与现有其他图像去噪技术对比,结果表明,提出的GACA-MF改进混合图像去噪方法的效果优于分别使用中值滤波算法和PCNN算法。可见,利用自适应的方式优化网络参数可以尽可能发掘PCNN的最大潜能。

基于视觉显著性与PCNN的图像分割算法

针对射线缺陷检测图像对比度低、缺陷边缘模糊、噪声多、存在较大的背景起伏等缺点,传统缺陷检测方法难从焊缝缺陷图像中提取出对比度较低的目标缺陷的问题,该文提出了结合视觉显著性与脉冲耦合神经网络(PCNN)的缺陷分割算法。首先,利用LC算法对射线检测图像进行显著性区域检测,得到反映图像不同区域显著程度的显著图;其次,将所得到的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,相较于传统的最大类间方差(Otsu)算法和脉冲耦合神经网络算法,采用该算法分割缺陷的效果较好,其分割边缘与细节信息的清晰度高,采用该算法分割缺陷的效果有较大提升。

基于NSCT与区域点火PCNN的医学图像融合方法

为了进一步改善医学图像融合质量,提出一种基于NSCT(非下采样Contourlet变换)与区域点火PCNN(脉冲耦合神经网络)的医学图像融合方法。该方法在低频子带系数采用基于区域点火PCNN的融合规则,应用PCNN改进的简化模型,将低频子带系数作为信号激励PCNN网络,利用点火区域强度分析区域点火特性,根据区域点火特性确定低频子带融合系数;在选择带通方向子带系数时,充分利用非下采样Contourlet变换的方向特性,采用改进的拉普拉斯能量作为带通方向子带系数的融合规则。实验结果表明,该方法与传统融合方法相比,能够较好的保留图像的边缘和过渡区域信息,大幅度提高融合图像的质量。

基于NSCT和PCNN的红外与可见光图像融合方法

提出了一种基于非采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的红外与可见光图像融合方法。首先用NSCT对已配准的源图像进行分解,得到低频子带系数和各带通子带系数;其次对低频子带系数采取一种基于边缘的方法以得到融合图像的低频子带系数;对各带通子带系数提出了一种改进的基于PCNN的图像融合方法来确定融合图像的各带通子带系数;最后经过NSCT逆变换得到融合图像。实验结果表明,本文方法优于Laplacian方法、小波方法和传统的NSCT方法。

NSCT域内基于改进PCNN和区域能量的多光谱和全色图像融合方法

针对多光谱和全色图像的融合,提出了一种NSCT域内基于改进脉冲耦合神经网络(PCNN)和区域能量的融合方法。首先,利用NSCT将图像分解为一个低频子带和多个不同方向的带通子带。然后,对分解后的低频子带采用基于区域能量的自适应加权算法进行融合;在带通方向子带,结合改进的脉冲耦合神经网络,使用带通方向子带系数作为PCNN的外部输入激励,经过PCNN点火获得待融合图像的点火映射图,根据点火时间计算点火映射图的区域能量,通过判决算子选择待融合图像的带通方向子带系数作为融合系数。最后,对融合处理后的NSCT变换系数进行重构生成融合图像。实验结果显示:在迭代次数为100次时,与改进小波算法相比,标准差提高了9.48%,熵提高了0.95%,相关系数提高了21.56%,偏差指数降低了29.66%;与Contourlet算法相比,标准差提高了9.73%,熵提高了0.94%,相关系数提高了11.27%,偏差指数降低了9.45%;与NSCT算法相比,标准差提高了3.84%,熵提高了3.34%,相关系数提高了7.89%,偏差指数降低了7.42%。

基于NSST和自适应PCNN的图像融合算法

针对红外和可见光图像的特点,本文提出了一种基于非下采样剪切波变换(NSST)和自适应的脉冲耦合神经网络(PCNN)相结合的红外与可见光图像融合的新算法。对经过NSST变换后的低频子带系数采用带高斯权重分布矩阵的局域方差和方差匹配度相结合的融合规则,对高频子带系数采用一种改进的空间频率作为PCNN输入,且采用改进的拉普拉斯能量和作为PCNN的链接强度,利用PCNN全局耦合性和脉冲同步性选择高频子带系数,最后经NSST逆变换后得到融合结果。实验结果表明,本文提出的算法与传统的图像融合算法相比不仅在主观视觉上取得较好的效果,而且在客观标准上也有了一定的提高。

Shearlet与改进PCNN相结合的图像融合

为提高多聚焦和医学图像融合的性能,提出了一种基于Shearlet变换的新型图像融合算法。与小波变换类似,Shearlet具有简单的数学结构,这使其可以很方便地和多分辨分析关联起来。在对一幅图像作Shearlet变换时,可以将其在任意尺度和方向上进行解构,因而Shearlet比传统小波可以捕获更多的方向和其他几何信息。所以对于图像融合来说,Shearlet是一种很好选择。对于Shearlet子带系数的选择,采用了一种改进的PCNN的点火幅度来得到融合策略,而不是传统PCNN方法中的点火次数,点火幅度通过一个Sigmoid函数来得到。并且采用改进拉普拉斯能量和(SML)这一有效的聚焦度量作为PCNN的输入,以提高其性能。实验结果表明,该方法在视觉效果和客观评价指标上都要优于小波和非下采样Contourle(tNSCT)方法。

一种参数自适应的简化PCNN图像分割方法

为了进一步延伸脉冲耦合神经网络(Pulse coupled neural network,PCNN)在图像分割中的应用,本文对PCNN模型作了简化和改进,并探讨和分析了参数的设置方法.首先利用阈值和脉冲输出所对应的区域均值之间的关系,提出了一种优化连接系数的方法,使得模型最终以迭代的方式得到分割结果.在仿真和真实红外图像上实验结果表明,文中方法能取得较优的分割效果,且相比于常用的阈值方法以及较新的PCNN方法,文中的简化模型对噪声及复杂图像具有更好的适应性和鲁棒性.

基于并行点火PCNN模型的图像分割新方法

提出一种并行点火脉冲耦合神经网络(Parallelized firing pulse coupled neural networks,PFPCNN)模型的图像分割方法.首先用改进的Unit—linking PCNN(ULPCNN)模型对图像进行增强,便于后续的图像分割.然后采用PFPCNN新模型对增强后的图像进行分割,最后用最大香农熵方法判定最佳分割结果.各种复杂场景下的仿真实验及定量评价表明,本文提出的图像分割方法,其效果明显优于常规的PCNN分割方法。

基于PCNN的高斯噪声滤波

论文针对高方差的高斯噪声的特点,提出了一种先定位和去除大噪声像素,后平滑小噪声像素的滤波方法。文中采用类均值滤波方法去除大噪声像素,利用改进的PCNN平滑小噪声像素。与已有的滤波方法相比,该算法在较好地滤除噪声的同时,具有自适应和图像边缘保护能力。实验结果证实了该方法的可行性和有效性。

一种参数自动寻优的PCNN图像分割算法

利用粒子群优化算法(Particle Swarm Optimization,PSO)具有对参数自动寻优的优势,将PSO和脉冲耦合神经网络(Pulse Couled Neural Network,PCNN)相结合,并以改进的最大类间方差准则函数为适应度函数,提出了一种能进行参数自动寻优的PCNN图像自动分割算法。实验仿真结果验证了该方法的有效性,即不仅可以正确地实现图像分割,而且PCNN的参数可以自动设置省去了人工实验的麻烦,同时分割速度也有所提高。

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。

基于提升小波变换与自适应PCNN的医学图像融合方法

为了更好地满足临床辅助诊断和治疗的需要,提出一种基于提升小波变换的CT与MRI图像的融合方法.该方法在低频子带采用基于区域能量的融合规则;高频子带采用自适应脉冲耦合神经网络(PCNN)的融合规则,通过应用PCNN简化模型把图像逐像素的梯度能量作为PCNN的链接强度,使得PCNN能根据像素梯度能量的变化来自适应地调整链接强度的大小,并根据点火次数确定高频子带融合系数.实验结果表明,文中方法与传统融合方法相比性能优越,丰富了融合图像的边缘及细节信息,可取得更好的融合效果.

一种基于简化PCNN的自适应图像分割方法

近年来的研究表明,脉冲耦合神经网络(PulseCoupledNeuralNetwork ,PCNN)可有效地用于图像分割.然而对于不同图像,常需要选取适当的网络参数,以得到有效的分割结果.但是,目前网络参数的选取还主要停留在人工调整和确定阶段,尚无一种能够根据图像本身特性自动确定参数的方法,这在很大程度上限制了PCNN的应用.针对这一问题,本文提出了一种基于简化PCNN的自适应图像分割方法,通过利用图像本身空间和灰度特性自动确定网络参数,实现对不同图像的分割.实验结果表明,本文算法可以有效地对不同图像进行自动分割,具有一定的健壮性.

基于PCNN的图像融合新方法

本文提出了一种基于PCNN的新型图像融合算法。首先,对待融合的两幅图像进行平稳小波分解得到两组多尺度图像;接着,取其中任意一组作为主PCNN的输入、另一组相应的图像作为从PCNN的输入,在每次迭代时,经并行PCNN点火后,得到一系列多尺度融合图像;然后,对它们进行平稳小波反变换得到每次迭代的融合结果;最后,计算每次迭代结果的信息熵,取信息熵值最大的融合图像作为最终结果。大量的实验以及与其它融合算法的比较分析,表明了本文算法的有效性和优越性。

一种简化PCNN模型在彩色图像边缘检测上的应用

提出了一种改进的彩色图像边缘检测方法来克服传统方法不考虑色度信息及噪声影响而产生漏检、错检边缘的不足.通过提取图像的颜色主轴来综合表示图像的亮度和色度信息,并将彩色图像降维成包含色度信息的灰度图像用以检测;为了降低噪声对检测结果的影响,采用脉冲耦合神经网络(PCNN)模型.由于PCNN模型中的参数过多,不利于控制,故使用简化的PCNN模型来减少参数,达到比较好的控制.实验表明,这种基于颜色主轴的PCNN彩色图像边缘检测方法不仅能准确得到彩色图像的边缘信息,而且对噪声有很强的抑制作用.

基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法

基于多尺度几何分析的表面缺陷特征提取方法中,常用的可分离二维Wavelet基是各向同性的,无法有效表示图像的纹理和边缘,且通常对多尺度分解系数所提取的特征不全面.提出基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的特征提取方法,并应用于冷轧带钢表面缺陷自动识别.首先用NSCT对缺陷图像进行多尺度多方向分解;然后将子带图像输入PCNN迭代点火,计算点火图的熵序列作为子图的特征,合并各子图特征得到原图的特征向量;最后用支持向量机进行分类识别.该方法能够全面准确提取缺陷图像信息,尤其是纹理边缘等方向信息,且方法可并行实现,PCNN不需要训练.利用从生产线现场采集的缺陷图像对文中方法进行了试验,识别率达95.44%.