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图像,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,强化了图像边缘;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.     

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.     

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。     

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.     

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.     

结合灰度熵变换的PCNN小目标图像检测新方法

为了自动地进行小目标图像分割检测,从含单一弱小目标图像的特征出发,提出了一种结合灰度熵变换的脉冲耦合神经网络(PCNN)小目标图像分割检测新方法. 该方法在对有随机噪声和复杂背景图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值灰度图在满足先验概率目标背景比条件下,选择包含单一小目标局部窗口作为处理图像区域,并在局部最小交叉熵判据下,进行改进型PCNN迭代分割检测处理. 实验结果表明,该方法不仅能可靠地检测出复杂背景及随机噪声干扰下弱小目标,并且在PCNN运行处理过程中,可自动地完成最佳分割检测.     

无需设置参数的快速 PCNN 图像分割

脉冲耦合神经网络（PCNN）拥有良好的仿生学依据,在图像分割领域获得了很大的成功。但传统 PCNN 网络需要设置大量参数,且需要对最佳迭代结果进行选择。以往提出的经典解决方法大多需要预设一个较高的迭代次数,且部分参数依靠经验设定。针对参数设置和时间复杂度2个问题,设计了一种仅需2次迭代,参数设置自适应于图像统计特征的 PCNN 图像分割算法,避免了凭经验设定参数、多次迭代造成运行时间长的问题。实验表明：算法的分割结果主观视觉感受良好,并且在速度上优于对比算法。     

基于粗集与PCNN的图像预处理

研究了如何将粗集(Rough Set)与脉冲耦合神经网络(PCNN-Pulse Coupled Neural Network)相结合，对被噪声污染的图像进行对比度增强处理，使图像清晰，从而便于后续的处理。同时，提出了基于粗集与PCNN的图像增强算法。计算机仿真结果表明，使用基于粗集与PCNN的图像增强算法，可有效地对被噪声污染的图像进行图像增强，减少图像噪声，增加图像对比度，使图像更加清晰，且图像增强的结果优于常规的方法。     

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.     

NSST域内基于压缩感知和PCNN的遥感图像融合

针对NSCT融合算法运算数据量大、计算复杂度较高、实时性较低的问题,提出一种基于非下采样剪切波变换(nonsubsampled shearlet transform,NSST)和压缩感知(compressed sensing,CS)的遥感图像融合方法。首先,对待融合图像进行NSST变换,分解后得到的低频子带系数采用区域能量的融合规则;分解后的高频子带系数具有较高稀疏性。通过CS进行压缩后采用PCNN的融合规则,最后对重构系数进行NSST逆变换。实验结果表明,与传统经典算法相比,新方法不仅有效提高了图像融合效果,而且加快了算法的运行速度,满足融合系统实时性的要求。     

基于PCNN的纹理图像增强算法

阐述了应用有生物学依据的脉冲耦合神经网络（PCNN）的脉冲发放特性进行图像增强的原理，并将此原理应用于具有纹理特性的指纹图像，从而产生了针对纹理图像增强的新方法。此方法主要利用纹理图象的灰度变化特性，采用将像素点灰度与所在邻域内灰度的局部均值比较的方法，使原方法更有针对性。实验结果证明，指纹图象增强效果显著。     

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。     

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.     

Research on wavelet-based algorithm for image contrast enhancement

A novel wavelet-based algorithm for image enhancement is proposed in the paper. On the basis of multiscale analysis, the proposed algorithm solves efficiently the problem of noise over-enhancement, which commonly occurs in the traditional methods for contrast enhancement. The decomposed coefficients at same scales are processed by a nonlinear method, and the coefficients at different scales are enhanced in different degree. During the procedure, the method takes full advantage of the properties of Human visual system so as to achieve better performance. The simulations demonstrate that these characters of the proposed approach enable it to fully enhance the content in images, to efficiently alleviate the enhancement of noise and to achieve much better enhancement effect than the traditional approaches.     

综合运用灰度变换方法改善超声医学图像质量

分析了超声医学图像及其噪声干扰(speckle噪声)，采用灰度变换的方法来改善超声医学图像的质量，介绍了灰度变换的基本原理，包括直接灰度变换和直方图变换2大类方法，对广泛应用且效果较好的直方图均衡和自适应直方图均衡方法作了较详细的阐述和算法介绍，针对超声医学图像应用灰度变换方法作了实验，实验证明，综合运用灰度变换方法能够很好地改善超声医学图像质量，增强超声诊断的实用性。     

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.     

基于虚拟曝光融合的光照自适应人脸图像增强方法

为了提高复杂光照条件下的人脸识别性能,提出一种基于虚拟曝光融合的光照自适应人脸图像增强方法。该方法针对检测到的人脸图像,计算其平均亮度,并与经由统计学习得到的正常光照人脸图像的亮度区间进行比较,判定其光照水平,分为低光照、高光照或正常光照,然后基于相机响应模型采用虚拟曝光融合的方法对低光照和高光照人脸图像进行光照增强处理,此过程循环迭代处理直到增强的人脸图像平均亮度达到正常水平。这种光照自适应增强后的人脸图像可作为输入无缝接入现有的人脸识别算法中,从而改善人脸识别系统性能。在Extended Yale B和CMU_PIE人脸图像数据库上的实验结果表明,该方法能有效提高复杂光照下的人脸识别率。     

一种光照条件自判断的夜间灰度图像增强算法

借鉴双直方图均衡(BBHE)和图像分割的思想,对夜间灰度图像进行光照条件自判断的增强研究,对光照条件较好、光照条件较差和光照条件较差但存在少数极亮区域的图像分别采用不同的方法进行增强处理.实验结果表明:所提算法可以突出夜间灰度图像暗处的细节,增大图像的对比度,并有效解决增强后图像整体亮度过高的问题,具有较强的普适性.     

逐层迭代的多尺度水平集红外图像分割算法

针对应用传统水平集方法进行红外图像分割易产生误分割且运算量大,提出了一种多尺度水平集分割算法,该算法利用小波变换将图像分解成多尺度子图像,在子图像上进行图像分割,采用插值法将粗尺度上曲线演化结果投影到细尺度上作为初始轮廓线,逐层分割,并根据图像噪声的大小,确定演化模型中的正则项参数,使噪声得到有效抑制,获得准确的分割结果.仿真实验表明,该方法不仅分割效果好,而且具有抗噪性强和运算速度快的特点.     

保持B超图像灰度级的改进直方图均衡化算法

介绍B超图像以及对其进行图像增强的原因。对直方图均衡化、对数直方图均衡化和排序直方图均衡化原理作介绍,从理论上分析这3种算法吞噬灰度值的原因。提出一种保留灰度级不变的改进直方图均衡化算法。使用直方图均衡化、对数直方图均衡化、排序直方图均衡化和该文提出的改进算法对B超体模图进行图像增强实验,结果表明该文提出的改进算法在B超图像上的增强效果比直方图均衡化、对数直方图均衡化和排序直方图均衡化算法要好。