改进基于小波变换的PCNN图像融合算法

以小波变换为基础，针对小波分解后高频域和低频域的特点，分别在低频域采用基于PCNN（脉冲耦合神经网络）的融合方法，在高频域采用改进的PCNN融合算法．仿真图像和评价指标结果显示：改进的PCNN融合算法，有效地提高了图像在边缘、纹理、保留更多源图像信息等方面的综合性能。     

一种自适应PCNN图像融合方法

提出一种以图像局部方差和均值作为脉冲耦合神经网络(PCNN)参数自动调整的融合方法,并与多种金字塔融合算法、主成分分析融合方法、小波变换等图像融合算法进行比较.研究结果表明:所提出的融合方法无论是主观视觉效果还是客观评价结果均具有一定的优势,这对于拓宽PCNN的理论研究和实际应用具有一定价值.     

一种PCNN实现区域检测的图像融合方法

光学设备的有限景深造成同一场景距离不同的目标的成像效果不同,由此便产生了多聚焦图像融合问题.解决该问题的关键在于像素的分类和融合策略的选取.本文结合脉冲耦合神经网络(PCNN)模型和区域分割技术,对该问题进行尝试性研究,探讨了一种新的多聚焦图像融合算法.首先将图像的清晰度矩阵作为PCNN的输入数据,处理后得到原图像的点火映射图,然后基于映射图进行区域分割,最后根据区域分割生成融合图像.实验结果表明,该算法是有效的.     

基于小波分解的PCNN遥感图像融合算法

在小波变换理论的基础上,提出了一种结合小波分解和脉冲耦合神经网络(PCNN)的遥感图像融合新方法.首先对两幅已经配准的原始遥感图像进行小波多尺度分解,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;最后通过逆小波变换重构图像得到融合后的图像.仿真结果和评价指标结果表明,此方法更好地保留了原图像中的有用信息,提高了融合图像的质量.     

基于直方图的脉冲耦合神经网络(PCNN)多门限图像分割方法

参考了Eckhom等人近几年提出的脉冲耦合神经网络(Pulse Coupled Neuml Network)模型，结合灰度直方图分割技术，提出了一种新的多门限图像分割方法-基于直方图的脉冲耦合神经网络(PCNN)，PCNN模型具有弥补时隙和空隙的特点，因此应用这一网络模型进行图像分割，可以得到较完整的区域边角信息，从而达到理想的分割效果．经实验证明，本文提出的方法较原来的PCNN网络，运算速度和分割效果都有了很大提高。     

Remote Sensing image fusion algorithm based on wavelet decomposition and PCNN

在小波变换理论的基础上,提出了一种结合小波分解和脉冲耦合神经网络(PCNN)的遥感图像融合新方法.首先对两幅已经配准的原始遥感图像进行小波多尺度分解,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;最后通过逆小波变换重构图像得到融合后的图像.仿真结果和评价指标结果表明,此方法更好地保留了原图像中的有用信息,提高了融合图像的质量.     

基于PCNN模型的生物细胞图像分割

在基于脉冲耦合神经网络（PCNN）模型中,讨论了模型中阈值θ、链接权ω和迭代次数量N等参数的求解方法;采用最大熵值及PCNN模型对生物细胞图像进行了分割,并分析了各参数对图像分割质量的影响.实验结果表明,分割图像熵值越大,分割图像总体效果越好.     

PCK对西部高师化学专业学生培养新思考

在小波变换理论的基础上,提出了一种结合小波分解和脉冲耦合神经网络(PCNN)的遥感图像融合新方法.首先对两幅已经配准的原始遥感图像进行小波多尺度分解,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;最后通过逆小波变换重构图像得到融合后的图像.仿真结果和评价指标结果表明,此方法更好地保留了原图像中的有用信息,提高了融合图像的质量.     

基于脉冲耦合神经网络的指纹识别方法

脉冲耦合神经网络(PCNN)是基于猫视觉原理构建的一种简化的神经网络模型,它的点火时刻序列图包含了局部图像的灰度分布信息和相邻像素之间的几何信息,这恰是纹理图像的特征所在.基于这种特性,该文提出一种把PCNN的点火脉冲信号总和通过傅里叶变换的新的模式识别方法.最后给出了部分指纹图像仿真实验的结果,以验证该方法的有效性.     

基于NSCT-PCNN变换的多传感器图像融合

针对同源和异源的多传感器图像的特征,提出了一种基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的新的图像融合算法。首先,用NSCT对已配准的源图像进行分解,从而准确地提取出了二维和更高维的边缘纹理信息;其次,对低频子带系数采用区域方差进行了整合,从而得到融合图像的低频子带系数,而对高频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;最后通过对所有子带系数进行NSCT逆变换,从而得到了融合图像。实验结果表明,该方法优于Mallat小波方法和传统的NSCT方法,有更好的视觉效果。