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。     

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.     

基于邻域激励脉冲耦合神经网络的图像分割

设计了一种基于邻域激励脉冲耦合神经网络(PCNN)模型的图像分割方法.把既考虑强度又考虑邻域分布的像素邻域信息作为一个参数,来控制PCNN模型中的链接强度,进而控制神经元的内部活动值.在分割过程中采用基于多数裁定原则的方法,通过在一次迭代过程中对邻域像素分割阈值的调整,保证了分割结果的完整性.通过对几类图像的分割实验以及与经典分割方法的比较,验证了该方法的有效性.     

基于脉冲耦合神经网络的超声图像病理区域检测算法

超声图像的病理区域检测对辨别疾病的良恶性具有极其重要的价值.针对超声回声大、粒状斑点多的特点,提出了基于脉冲耦合神经网络的区域自动检测算法.首先脉冲耦合神经网络对图像进行点火处理,经过形态学闭运算、二值反相、区域标记等操作,自动提取出种子点;以种子点为种子像素对图像进行区域增长,提取出感兴趣的区域,经过伪彩色编码增强后,凸显病理区域,便于医学临床诊断观察与超声图像的进一步量化分析处理.     

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。     

脉冲耦合神经网络在指纹图像分割中的应用

脉冲耦合神经网络（PCNN）是20世纪90年代形成和发展的一种新型神经网络。研究发现，可用PCNN的脉冲传播特性有效地解决图像处理中的不同问题。在此阐述了PCNN的原理，并提出一种基于PCNN的指纹图像分割算法，该算法有很强的适应性和抗噪性．     

三维连接系数矩阵的脉冲耦合神经网络彩色图像分割

提出三维连接系数矩阵的脉冲耦合神经网络(3D-PCNN)模型,将二维连接系数矩阵扩展成三维,值取空间欧氏距离的倒数,提出指数上升的动态阈值。利用神经元脉冲同步发放特性和自动波特性,直接分割彩色图像。结果表明,3D-PCNN算法与其他分割算法相比,运行时间减少了25%以上;该算法能够将不同区域信息以多层次彩色显示,改变RGB分量输入顺序时,同样可以分辨出更多的图像细节信息,分割精度高。     

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。     

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.     

基于改进的脉冲耦合神经网络模型的图像融合

脉冲耦合神经网络模型PCNN(Pulse Coupled Neural Network)运行时间长、效率低等特点,现提出了一种改进的脉冲耦合神经网络模型用于图像融合。通过对多聚焦距图像和医学图像进行了实验,同时与小波变换、拉普拉斯变换等图像融合算法进行了比较。研究结果表明:方法简化了PCNN模型,减少了PCNN运行的时间。在主观视觉和客观评价上均具有良好的效果。     

基于Bayes分类算法和活动轮廓模型的新疆肝包虫CT图像分割方法

肝包虫病是新疆常见的寄生虫病,严重危及人类健康。目前,医院常采用CT影像技术对该病进行诊断。肝包虫CT图像有其特有的病理特征,图像的灰度分布存在不均匀性和边界模糊性,且不同的包虫囊肿类型,其CT图像表现各异。本文针对该病的CT影像特征,提出一种同时对肝脏及包虫病灶进行分割的迭代算法。在每一步迭代过程中,算法分为初始分割和优化分割两个步骤:首先,在CT切片图像中确定位于正常肝脏及包虫病灶区的种子点,根据种子点的位置,利用Gauss概率模型拟合不同区域的灰度分布,并结合Bayes分类算法对肝脏及病灶区同时进行初始分割;然后,利用基于先验形状力场的活动轮廓模型算法优化初始分割结果,从而获得精确的肝脏及病灶区的边界。为了验证该算法的有效性,将算法对不同病人的CT切片图像进行分割实验,并从主观和客观两个方面,将算法的分割结果与医师手动分割结果进行对比评估,结果表明,该算法能在分割肝脏的同时准确地提取包虫病灶区。     

基于半监督阶梯网络的肝脏CT 影像分割

针对医学影像数据中标记样本较少且人工标记成本高的问题, 提出一种基于半监督阶梯网络的肝脏CT(Computed Tomography)影像分割模型。首先, 利用超像素分割对数据进行预处理减少数据量, 并以像素点为中心提取子图像(patch)放入半监督模型进行训练。最后, 利用训练模型进行肝脏分割。实验结果表明, 该模型利用少量的标记图片得到了与监督学习相近的结果。     

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.     

基于神经网络的自适应图像分割

非均匀光照条件下的图像目标难以用阈值选取方法分割，本文使用神经网络建立自适应阈值曲面，以此作为图像分割的依据．自适应阈值曲面由图像中具有高Ｌａｐｌａｃｅ值的边缘拟合而成，拟合过程由神经网络实现．计算机摸拟证实了此设想的可行性以及相对阈值分割方法的优越性．     

基于灰度共生矩阵的新疆地方性肝包虫CT图像特征提取方法

 特征提取是图像理解与分析的关键。为提取表征新疆地方性肝包虫病的CT影像特征,提出一种基于灰度共生矩阵对肝脏和包虫病灶进行特征提取的方法。首先,对肝脏CT切片图像进行归一化,利用中值滤波和直方图均衡化对肝脏及病灶区同时进行去噪和增强,从而得到更清晰的灰度图像;然后进行灰度级压缩,利用基于灰度共生矩阵的纹理特征提取方法分别提取新疆地方性单囊型、多囊型肝包虫和正常肝脏CT图像的角二阶矩、熵、惯性矩、逆差分矩及相关性的均值和标准差作为纹理特征。统计分析发现,单囊型和多囊型肝包虫CT图像在角二阶矩、熵和逆差分矩等方面存在显著差异,具有统计学意义。最后,采用Bayes判别分类,分类正确率达到93.33%。结果表明,研究采用的纹理提取方法对描述肝包虫CT图像特征具有较理想的效果,一定程度上有助于对肝包虫CT图像进行分类和检索。     

基于PCNN的图像二值化及分割评价研究

在介绍传统二值化方法的基础上,对PCNN脉冲耦合神经网络进行了研究,由于PCNN独特的相似神经元同步点火的特性,使其非常适合于各类图像的分割;同时结合图象二值化研究,对目前仍处于难点的图像分割评价作了研究,提出了综合评价思想。并通过实验仿真验证了：PCNN用于图像二值化,能够更好地区分和合理地分割出图像的目标和背景区域,具有分割精度高,适应类型广的特点;同时通过大量的实验数据也验证了所提出的综合评价思想的合理性,较之以往的评价准则更加准确和科学。     

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。     

图像分割技术在医学图像处理中的应用研究

图像分割是图像处理、图像分析的关键步骤,而医学图像分割是图像分割的一个重要的应用领域,也是一个经典难题。从应用的特定角度,论述了医学图像处理中图像分割的几种算法,对近年来医学图像分割的新方法或改进算法进行了阐述,并简要介绍了每种算法的特点及应用。     

实时语义图像分割模型研究

为了实现快速语义图像分割,提出一种简化整合模型.首先,对频域视觉注意模型PQFT的四元数图像虚部系数进行简化改进.然后,将改进PQFT模型的显著图与简化PCNN的内部活动项结合起来对显著目标区域进行粗略定位,并以提出的显著目标区域均值的3/2倍进行精细分割.最后,根据尺寸变化与否准则判断输出正确的语义图像分割结果.实验结果表明,提出的整合模型具有实时性,且取得的AUC值和F值较原PQFT模型分别提高了29.9%和44.2%.     

基于神经网络的眼底视杯图象分割技术

根据眼底图象中视杯的边沿特征,提出了一种基于ＢＰ神经网络的视杯分割方法,详述了这种方法的实现过程,并研究了ＢＰ学习算法的加速问题．实验证明,这种方法的分割效果较好．