脉冲耦合神经网络模型参数估计及其图像分割

利用小波分析对图像进行多层分解,然后,用分解的低频系数重构图像作为模型链接权参数W的估计,再用一种最佳阈值方法估计阈值θ,最后用最大相关准则确定网络计算的迭代次数N,成功实现了图像的自动分割.实验仿真表明,该方法在模型参数自动估计的基础上避免了PCNN对图像的过平滑作用,分割图像保留了良好的轮廓和更多的细节.     

PCNN的周期特性分析

 脉冲耦合神经网络(PCNN)已在图像处理等诸多领域得到了有效应用.但目前PCNN模型的动力学特性未得到有效分析,使其在具体应用中始终存在参数难以设定的问题.为了进一步拓展PCNN模型应用的发展,详细分析了PCNN离散模型的周期特性,并得出了相应的数学解析式.实验仿真结果验证了分析结论的正确性.
     

一种基于遮蔽效应的图像质量评价研究

针对梯度结构相似性指标（Gradient Structure Similarity,GSSIM）无法对近阈值失真图像做出很好的判断,导致其判断结果与人类视觉系统（Human Visual System,HVS）不完全一致的问题,为提高GSSIM的准确性及其与HVS的一致性,提出了一种基于梯度遮蔽和视觉显著性的图像质量评价指标（Visual Saliency-Gradient Structure Similarity,VS-GSSIM）. 首先,根据梯度信号之间存在的遮蔽效应优化梯度性相似性模型;然后,结合显著性模型提高指标和HVS评判的一致性;最后,调整图像局部区域感知质量水平的相对重要性并池化最终得分. 实验结果表明所提模型在一致性和单调性的评价指标上均超过GSSIM,并且优于目前绝大多数算法.     

基于双层PCNN的多级灰度图像增强

 在脉冲耦合神经网络(Plus Coupled Neural Network)模型基础上,提出了DLPCNN(Double Level PC-NN)模型.DLPCNN模型能有效地对多灰度级图像进行增强.该方法通过快速并行计算,分层处理、动态步长调整实现对多灰度级图像处理,与传统方法相比体现了较好的优势.     

基于可变步长PCNN的图像高斯噪声滤除

针对高斯噪声的特点,在PCNN的基础上对灰度补偿模式作出改进,提出可变步长的灰度补偿模式的去噪方法.实验仿真表明,该方法对被高斯噪声污染的图像有较好的滤波效果,与相关的文献相比,在信噪比改善因子上体现了更好的性能.     

自归一化卷积神经网络的人脸识别方法

传统的卷积神经网络(CNN)在人脸识别中应用极为广泛,然而依然存在收敛速度慢的问题,需要进行批归一化,防止梯度弥散.而自归一化卷积神经网络比普通卷积神经网络收敛速度更快,且无需进行批归一化.因此,提出采用自归一化卷积神经网络来进行人脸识别.首先算法由2个卷积层,1个池化层,2个全连接层和1个Softmax回归层组成的自归一化卷积神经网络对人脸特征进行提取并分类;然后通过对不同批次大小和不同网络层数的实验对比找出最佳的实验条件;最后与传统CNN算法和其他算法对比.提出的方法在ORL数据库中的实验识别率可达到98.3%.实验结果表明,自归一化卷积神经网络比普通的卷积神经网络在人脸识别中具有更高的识别率、更快的收敛速度.     

基于简化脉冲耦合神经网络的噪声人脸识别

利用简化脉冲耦合神经网络(S-PCNN),提出一种处理椒盐噪声污染的人脸识别新方法.首先采用S-PCNN的相似群神经元同步发放脉冲特性对原图像进行噪声检测,然后结合数学形态学实现对噪声点的消除,最后使用S-PCNN的时间序列(OTS)和欧氏距离进行人脸识别.通过计算机仿真实验表明所提算法是有效的.     

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.     

脉冲耦合神经网络模型参数优化及图像分割

脉冲耦合神经网络在图像处理中有着重要应用,但存在模型参数难以选择和图像边缘过于平滑问题.通过对图像进行双线性插值运算,再利用具有保护图像边缘作用的各向异性扩散特性确定模型的链接权值参数,采用遗传算法求解模型的链接强度参数和衰减阈值参数,成功实现了图像的自动分割.仿真结果表明,该方法得到的图像分割结果,体现了更多的图像轮廓和边缘细节,具有较好计算性能.     

基于Unit-Linking PCNN的灰度图像边缘检测

利用Unit-Linking PCNN模型,结合最小交叉熵准则,边缘检测预处理,均匀分块处理,将灰度图像分割成二值刚像,在二值分割图基础上实施unit-Linking PCNN边缘检测.边缘检测预处理以块状增强方式增强了图像对比度,强化r图像边缘;均匀分块处理实现了灰度图像的近似多阈值分割.分析了边缘检测预处理中各步骤的作用,比较了不同均匀分块数目对边缘检测结果的影响.与Canny算子和相关文献结果相比,该研究检测的边缘体现了更丰富的图像细节,且神经元模型参数对图像边缘检测结果的影响较不敏感.仿真结果表明,该方法具有较理想的灰度图像边缘检测结果,具有较好适用性.