PCNN图像分割技术进展综述

图像分割是模式识别和计算机视觉中的一个经典问题。近年来出现了很多图像分割新技术,其中基于脉冲耦合神经网络（PCNN）的图像分割技术由于它源于猫的大脑视觉皮层上的同步脉冲发放现象最为引人注目。本文对PCNN图像分割技术进行了全面的介绍。     

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。     

基于PCNN的人脸图像分割算法研究

研究了基于PCNN的人脸图像分割算法。利用简化型PCNN对人脸图像进行分割,根据人脸图像的灰度特征和空间信息的相关性,得到了人脸图像的神经元点火序列,该点火序列就是图像分割的结果。通过MATLAB仿真实现了该算法,表明该算法具有一定的工程价值。     

基于PCNN的图像二值化及分割评价方法

针对目前图像二值化方法通用性不强、自适应阈值选取难,以及单一图像分割评价缺乏可靠性的问题,对基于脉冲耦合神经网络(PCNN)的图像二值化方法及其参数选择进行了研究,提出了一种综合考虑多种评价准则的用于评价图像分割效果的方法.实验结果表明:基于PCNN的二值化方法非常适合于各类图像的分割,具有分割精度高的特点;与单一评价方法相比,文中的综合评价方法能够更加客观准确地反映分割方法的分割效果.     

基于多尺度空间PCNN模型的图像分割算法

运动车辆图像中车牌具有所占比例小、位置不固定和大小不一的特点,因此,对车辆图像分割时车牌区域容易产生过分割与欠分割问题.脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)被誉为"第三代神经网络"并广泛应用于图像分割.在利用PCNN模拟人类视觉的图像分割过程中,由于传统PCNN模型中的连接矩阵使用固定值表示,使得PCNN模型不能满足图像分割时尺度变化的需求.为了解决这个问题,本文提出了基于多尺度空间PCNN模型的车辆图像分割算法,将尺度空间引入PCNN模型,使PCNN模型具有了尺度特性,提高了系统自适应分割车牌图像的能力.     

一种基于简化PCNN的色盲检测图分割方法

在色盲检测图及脉冲耦合神经网络(pulse-coupled neural networks,简称PCNN)的基础上,提出一种基于简化PCNN模型的色盲检测图分割方法,该方法首先根据欧式距离计算彩色图像色差,通过设定一个合适的阈值,将与红色相似的颜色替换成白色,初步分离图像中的目标与背景,对预处理后的色盲检测图像,用典型的PCNN简化模型对其红色分量进行分割,最后用形态学闭运算优化得到最终的分割结果.实验结果表明,该方法能准确分割出色盲图像中的图形,且简单有效.     

基于二维Tsallis熵的改进PCNN图像分割

为了改善图像分割的性能,采用改进的脉冲耦合神经网络(PCNN)进行分割,通过对其内部活动项进行空不变的单阈值化分割,来达到对原图像空变阈值化分割效果.另外分割准则也作了修正,通过计算图像二维直方图的Tsallis熵,得到二维Tsallis熵,以此作为图像分割准则.最后,修正了动态门限项的下降速度,使得PCNN收敛更快.实验证明二维Tsallis熵准则优于最大Shannon熵准则与最小交叉熵准则,且改进的PCNN模型比传统PCNN模型收敛更快.     

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。     

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。     

利用PCNN实现商标图像检索新方法

 为了解决商标存在尺度缩放、角度旋转和区域局部变化后的难以检索的问题,提出了一种基于脉冲耦合神经网络模型(PCNN,Pulsed Coupled Neural Network)的商标检索新方法.首先通过PCNN图像分割和直方图均衡化技术相结合提出了一种有效的图像预处理算法,以减小颜色对于商标灰度分布差异产生的影响.然后在PCNN模型中提出了边缘时间序列概念,并用于提取商标图像的形状特征,最终实现了商标图像的快速有效检索.在所建立的商标库中进行了计算机仿真,仿真结果表明该方法可有效地检索出待检索商标对应的商标图像,可很好地适应商标颜色变化、角度旋转和局部形状变化,体现了较好的检索性能.     

基于CNN-PDE偏差异质扩散预处理的红外图像分水岭分割

为了抑止采用分水岭方法分割红外图像时的过分割现象,首先利用细胞神经网络高效求解偏微分方程的能力,实现了可调偏差异质扩散滤波器并用其对图像作预处理. 为了消除噪声残留,引入了平滑系数与限制强度系数对梯度图作阈值化处理. 实际红外图像的分水岭分割结果显示,所提出的预处理方法能够有效抑止过分割现象.     

基于PCNN的图像直方图均衡化增强

为了更好地增强图像,提出一种新的图像增强方法.处理分为2个阶段,首先局部增强阶段,利用PCNN模拟空间掩盖效应去除了人眼无法察觉的双边缘,同时在神经元模型中引入侧抑制来模拟Mach带效应,使边缘处灰度差值更大,平滑区域灰度差值更小.其次全局增强阶段,将灰度信息与空间信息耦合到神经元的内部活动项,将阈值设置为局部增强后的图像直方图的累加密度函数,通过比较内部活动项与累加密度函数,得到最终的增强图像.理论与实验均证明了最终图像满足直方图均衡化的要求,不仅对灰度层损失问题免疫,而且直方图近似均衡.     

基于PCNN模型的区域生长图像分割

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法.该方法将待分割图像的像素点映射为PCNN模型中的神经元,把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割.实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整,区域划分更加准确,分割效果更能符合人眼视觉的识别特征.     

基于PCNN的小波域超声医学图像去噪方法

在分析小波去噪和脉冲耦合神经网络(pulse coupled neural networks,简称为PCNN)去噪优缺点的基础上,提出一种基于PCNN的小波域超声医学图像去噪方法(a method of medical ultrasonicimage de-noising based on PCNN in the Wavelet Domain,简称为PCNN-WD).该方法先对小波系数进行相应的预处理,然后应用PCNN在小波域中修改小波系数,以达到去噪的目的,并且该方法能够自动地设定阈值和修改小波系数的步长.实验结果表明,该方法可以有效地去除斑点噪声,并很好地保留图像细节和图像边缘.