基于Unit-Linking PCNN和图像熵的图像分割新方法

基于单位链接脉冲耦合神经网络(Unit-Linking PCNN)模型,在图像方差准则基础上将最大香农熵准则,最小交叉熵准则相结合,再组合图像分块策略与图像加权预处理策略,提出了不同准则和策略组合的8种图像分割方案。分析了各种准则和策略的优势和不足,比较了各种分割方案条件下的图像分割效果,部分方案的分割结果体现了图像的更多的细节。与已有文献结果比较,具有使用神经元模型参数少的特点,与PCNN模型相比,该模型参数对图像分割结果的影响较不敏感。计算机仿真结果表明,该方法具有较好的图像分割效果和实验仿真速度性能,具有较强适用性。

Unit-Linking PCNN和图像熵的彩色图像分割与边缘检测

在RGB空间中,将最大香农熵准则和最小交叉熵准则两种评价准则与大概率合并和小概率合并两种合并策略相结合,提出基于Unit-Linking PCNN的四种彩色图像分割方案,并在各分量分割结果基础上利用Unit-Linking PCNN实施边缘检测,合并得到彩色图像的边缘检测结果。分析了各评价准则和合并策略的优劣,比较了各分割方案条件下的图像分割和边缘检测效果。与HSV空间中得到的相关结果进行分析比较,该文分割和边缘检测结果体现了图像的更多的细节,说明了在RGB空间中进行彩色图像分割和边缘检测的合理性。与相关文献结果相比,该方法的模型参数对图像分割结果的影响较不敏感。计算机仿真结果表明,该方法具有较好的彩色图像分割和边缘检测效果,具有较强适用性。

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Unit-Linking PCNN的医学图像边缘检测

本文利用Unit-Linking PCNN模型结合最大交叉熵准则将医学图像分割为二值图像,然后将亮区(背景)和暗区(目标)的点火二值图异或,点火脉冲依据目标的形状同步传播,从而迅速提取目标边缘。实验结果表明,该方法有效地提取了图像边缘特征。与经典边缘检测算子相比,结果更加清晰完整,是一种有效的医学图像边缘检测方法。

基于Unit-Linking PCNN和HSI空间的彩色图像分割方法

提出了一种基于Unit-Linking PCNN和HSI空间的彩色图像分割新方法.在RGB空间中,由于R,G,B分量之间有很高的相关性,直接利用这些分量不能得到所需的效果.在提出的算法中,彩色图像首先被转化到HSI颜色空间,图像分解成彩色通道(H和S分量)和亮度通道(I分量).对彩色通道采用基于Unit-Link-ing PCNN的分割算法进行分割,对亮度通道采用最大类间方差阈值算法进行分割,然后将分割后的结果用大概率合并的方法进行组合,得到最终分割结果.试验结果表明,这种方法具有很好的彩色图像分割效果.