Image Edge Detection Based on Oscillation

IntroductionArtificial neural networks can be dividedintotwo classes :rate code neural networks and pulse-based neural networks .Inrate code neural networks the outputs of the neurons arecontinuous , whereas in pulse-based neural networks theneurons emit pulses . Although rate code neural models havebeen well studied, researchers continue to find the evidencerecently that in many cases the brain may accomplishcomputations on pulses(action potential) . Great effort hasbeen devoted towards the a…     

基于忆阻脉冲耦合神经网络的图像去噪

为解决传统脉冲耦合神经网络的参数不固定问题,在图像处理中应用忆阻元件突出的记忆属性,提出了 应用两个忆阻元器件反向并联模拟脉冲神经网络中的神经元间的连接强度,构建新型忆阻脉冲神经网络,实现 神经元间连接强度动态可变化,再将该新型网络用于图像去噪问题。通过Matlab 仿真实验,验证了改进后的 新型网络在图像去噪方面的良好性能,并通过峰值信噪比和图像相似度指标证明了该方法用于图像去噪具有 较好的效果。     

一种改进的深度卷积神经网络的精细图像分类

精细图像分类不同于传统的图像分类,由于精细图像自身的类间相似性和类内差异性,传统的基于手工特征和局部特征组合方法已经很难完整地表达精细图像的特征,因此提出了一种基于改进的深度卷积神经网络模型.由于深度卷积神经网络结构参数和神经元数量巨大,训练模型困难,所以采用高斯分布对前6层参数初始化,其中激活函数采用校正之后的Relus-Softplus函数,在花卉图像数据库OXford-102 flowers中TOP1准确率达到85.75%,TOP3准确率达到了94.50%.实验结果表明:该模型在中等规模数据集上比传统方法优势明显,且比未改进的CNN模型识别率高.     

基于线裁剪的自适应网络带宽分级传输图像的方法

针对图像网络传输中传输图像数据量或时长与目标图像质量之间的矛盾问题,考虑图像在不同网络带宽下传输的时效性,通过基于内容敏感的线裁剪减少图像数据量,提出了一种自适应网络带宽分级传输图像的方法。首先对网络带宽进行分级;并根据网络带宽对所传输的图像定义并实施不同程度的基于内容敏感的线裁剪;这里所采用的线裁剪在水平与垂直方向上交替同时进行。实验结果表明:所提出的基于内容敏感线裁剪的图像自适应网络带宽传输方法不仅很好地保留图像的主要特征,而且适应网络带宽减少了图像网络传输时的数据量;进而减少了图像网络传输时间,提高传输时效性,有利于图像的高效传输。     

一种基于PCNN的参数自适应图像分割方法

针对在基于脉冲耦合神经网络（PCNN）模型的图像分割中,如何确定合适的网络参数的问题,提出一种基于PCNN的参数自适应图像分割方法。该方法通过设定神经元合适的捕获范围和连接值,综合利用图像像素邻域的灰度信息,结合PCNN网络参数间的相互联系,实现对模型参数自动确定。仿真实验表明,该方法可有效地对不同图像进行自适应分割。与传统的PCNN图像分割方法相比具有一定的优越性。     

Gender Recognition with Face Images Based on Partially Connected Neural Evolutionary

In this paper,a new type of neural network model - Partially Connected Neural Evolutionary (PARCONE) was introduced to recognize a face gender. The neural network has a mesh structure in which each neuron didn't connect to all other neurons but maintain a fixed number of connections with other neurons. In training,the evolutionary computation method was used to improve the neural network performance by change the connection neurons and its connection weights. With this new model,no feature extraction is needed and all of the pixels of a sample image can be used as the inputs of the neural network. The gender recognition experiment was made on 490 face images (245 females and 245 males from Color FERET database),which include not only frontal faces but also the faces rotated from-40°-40° in the direction of horizontal. After 300-600 generations' evolution,the gender recognition rate,rejection rate and error rate of the positive examples respectively are 96.2%,1.1%,and 2.7%. Furthermore,a large-scale GPU parallel computing method was used to accelerate neural network training. The experimental results show that the new neural model has a better pattern recognition ability and may be applied to many other pattern recognitions which need a large amount of input information.     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

基于D-S证据理论和RBF网络的航空发动机叶片损伤图像识别技术研究

针对航空发动机叶片损伤图像采集过程中存在的不确定性因素及单一RBF网络或D-S证据理论在叶片损伤图像识别中存在的不足,提出一种基于D-S证据理论和RBF网络相融合的决策级信息融合损伤图像识别算法。首先,用RBF网络对损伤图像进行初步识别;然后,将RBF网络识别输出结果作为D-S证据理论的基本可信度分配;最后,利用D-S联合规则进行合成,得出最终识别结果。通过单一优化RBF网络的图像识别结果和融合识别结果的对比分析,证明了该方法在航空发动机叶片损伤图像识别方面的优越性。     

基于卷积神经网络的商品图像精细分类

针对某一类别商品图像的精细分类,研究并实现了深度学习中的卷积神经网络方法。所设计的卷积神经网络由2个卷积层、2个亚采样层及1个完全连接层组成,特征平面的神经元只对其感受野的重叠区域做出反应,由反向传播算法调整网络参数最终完成学习任务。通过鞋类图像的精细分类实验表明,该方法平均分类正确率可达91.5%。     

基于遗传BP神经网络的COSM图像复原算法

提出了一种基于遗传BP人工神经网络的COSM图像复原算法,利用BP神经网络的学习记忆和泛化能力,通过用一组COSM样本图像对网络进行训练,建立含有离焦模糊的模糊三维图像与清晰三维图像之间的非线性映射关系,然后利用训练好的BP神经网络对待复原的COSM图像进行复原处理,从而实现COSM图像复原.复原的三维图像无论在主观视觉还是定量分析上都取得了很好的效果.与传统的图像复原算法不同,该算法免去了解卷积等复杂的运算,不存在病态问题,可广泛应用于模糊图像的复原中并且效果较好.     

基于卷积神经网络的病理细胞核分割

针对病理图像中细胞核的精准分割问题,结合全卷积网络框架和高分辨率网络框架的特点,提出一种卷积网络对细胞核进行自动精准地分割;基于稀疏非负矩阵分解的方法将具有严重颜色分布差异的病理图像进行颜色分布归一化,以归一化后的图像为输入,利用所提出的卷积网络对细胞核进行分割;该网络通过减少下采样算子的使用,使图像信息在前向计算过程中不会过分丢失,并使用扩张卷积扩大深层神经元的局部感受野尺度大小;所采用的分割方案在2017年MICCAI病理数字图像分割数据集中达到0. 848的平均dice分数;实验表明,融合全卷积网络框架和高分辨率网络框架的卷积网络在病理图像中实现了细胞核自动精准的分割,可以有效减轻影像医师的工作负担。     

基于有向图模型的多模态新闻图像检索研究

不同模态特征描述网络新闻数据各具优势。为充分利用不同模态特征的优点,提高网络新闻图像检索准确率,提出了一种基于有向图理论模型的多模态特征融合检索方法。首先对新闻图像进行预处理,提升新闻图像兴趣点对比度,之后对新闻文本提取关键词,然后对新闻图像进行场景辨别,结合图像人物特征,将文本、场景、人物特征依据有向图理论模型进行融合,形成基于有向图理论模型的多模态融合检索。在10万条新闻数据上测试,实验结果表明,本文提出的方法检索准确率达到了69%,查全率达到70%,效果提升了5%。     

Image and Video Quality Assessment Using Neural Network and SVM

An image and video quality assessment method was developed using neural network and support vector machines （SVM） with the peak signal to noise ratio （PSNR） and the structure similarity indexes used to describe image quality. The neural network was used to obtain the mapping functions between the objective quality assessment indexes and subjective quality assessment. The SVM was used to classify the images into different types which were accessed using different mapping functions. Video quality was assessed based on the quality of each frame in the video sequence with various weights to describe motion and scene changes in the video. The number of isolated points in the correlations of the image and video subjective and objective quality assessments was reduced by this method. Simulation results show that the method accurately accesses image quality. The monotonicity of the method for images is 6.94% higher than with the PSNR method, and the root mean square error is at least 35.90% higher than with the PSNR.     

多尺度残差注意网络的真实图像复原方法

为了提高基于深度学习网络方法在真实图像上的复原效果,提出了一种基于多尺度残差注意网络的复原方法。将退化图像输入到该模型中,利用浅层特征网络提取原始低质量图像的浅层特征;利用残差注意网络模块提取深层特征信息和通道相关性,使用局部连接和短跳跃连接进行残差学习;将浅层特征、通道相关性以及上下文深层特征信息输入到重构网络,利用具有不同感受野的特征进行图像复原。实验结果表明,相较于其他对比方法,该方法在图像去噪、图像增强和超分辨率等多个任务中获得最优的结果,能够在不引入伪影的情况下生成纹理细节丰富的清晰图像。     

粗糙集和神经网络相融合的钻井安全评价模型

针对动态性、随机性和不确定性较强的钻井作业现场,开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统,对采集到的样本数据进行属性约简。其次,根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计,并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围,并采用训练样本对不同神经元个数所对应的网络模型进行训练,选择网络误差最低的网络作为所构建的网络模型。最后,选取16 d的测试样本对网络进行验证,将网络的输出同作业现场的实际结果进行比较,有14 d的网络结果与实际结果相符,测试准确率达到了87.5%。     

基于PCNN的RLNSW-NSCT卫星云图融合算法研究

提出了一种基于PCNN的RLNSW-NSCT卫星云图融合新方法。首先采用基于冗余提升不可分离小波的NSCT变换对卫星云图进行变换。对带通方向子带系数的融合设计了基于PCNN的融合规则,而低通子带系数的融合则采用基于图像区域信息熵的系数加权融合规则。为验证算法的有效性,对不同多尺度变换算法和不同融合规则分别进行了融合实验。结果表明该方法在较多地保留云图红外信息的同时,具有更好图像细节表达能力,融合云图的云层特征更为分明。     

前向多层代数神经网络隐层神经元数目估计方法

结合目前估计前向三层神经网络隐层神经元数目的方法 ,提出一种向量不交关系来确定多层(层数 >3)前向代数神经网络隐层神经元的数目 ,该方法只须估计出第一隐层神经元的数目 ,其余各层神经数目利用不交关系的算法随之确定 ,通过多项式代数函数实例表明 ,该方法有效     

刺激诱发的锋电位序列相关性的研究

刺激神经元网络,会使网络中神经元发放的锋电位序列在同一时刻发生改变进而产生相关性。移位预测是常用的描述这种刺激引发相关性大小的方法,其构造有多种方式。文章在对MEA培养的海马神经元网络的刺激响应的分析中观测到了刺激引发的相关性的存在,并且用不同的方式构造了移位预测来描述这种相关性的大小,发现不同方式构造的移位预测子,在描述刺激引发相关性的效果上,差别不大。     

基于卷积神经网络的高光谱图像谱-空联合分类

随着深度学习的发展,卷积神经网络在各种视觉任务中都具有优越的性能;特别是在二维图像分类上,更是获得了很高的分类精度。针对于高光谱图像分类问题,设计了一种新的卷积运算;利用高光谱图像谱-空联合信息建立三维卷积神经网络对其进行分类;并针对高光谱图像样本不均匀性,在网络输出不同类别加入不同的权重加以训练。通过对两个公开高光谱图像数据集的测试,相对于传统方法,能够得到更高的分类精度,表明卷积神经网络对高光谱图像具有更强的特征表达能力。     

基于脉冲耦合神经网络的多区域图像分割

为解决传统脉冲耦合神经网络(pulse coupled neural network,PCNN)仅限于二值分割且无法对灰度缓慢变化的大范围区域进行完整分割的问题,提出了一种基于PCNN的多区域图像分割算法。将分割图像经过平滑和归一化后送入PCNN,在快速连接机制作用下,每次迭代处理中具有相似状态的神经元可实现同步点火,完成单个图像区域的完整分割。经过预定的迭代次数后,以各神经元的点火次数为新输入图像各像素点的灰度值,然后经平滑和过归一化后再次送入PCNN重复上述处理,完成多区域图像分割。Berkeley图库的实验结果显示,该算法高效、鲁棒,可有效应用于图像分割。