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.     

基于区域特征的胃炎病理图像二值化分割方法

二值化图像侵害方法因方法简单、易于实现而得到广泛应用,文章提出了一种基于区域特征的二值化图像分割方法。实验表明,该方法针对胃炎病理图像能得到较好的效果。     

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.     

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.     

图像矩二值化及其MATLAB实现

本文介绍了图像的亮度矩以及利用亮度矩进行图像二值化的方法，并 给出其MATLAB5．2．1实现，具有一定的参考和实用价值。     

基于点火频率的两层PCNN参数研究及其应用

提出了一种新的两层PCNN网络结构,第一层为Eckhom网络,第二层为内部元链接神经元,和第一层的神经元一一对应,用来接收第一层神经元的脉冲输出。该模型综合考虑了空间和时间因素,更加接近于生物神经元。提出了该两层PCNN网络循环次数的确定方法。新的模型及其有关算法用于图像分割时,分割结果以第二层神经元的点火二值矩阵为最终分割结果,实验表明文中提出的新模型和根据初始参数确定循环次数的方法是有效的。     

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。     

改进型脉冲耦合神经网络高分辨率SAR图像分割

针对高分辨率SAR (合成孔径雷达)图像噪声强, 目标分割难度大的特点, 提出一种改进的脉冲耦合神经网络(pulse coupled neural network, PCNN)模型的SAR图像分割算法。首先根据SAR图像中相干斑噪声的特点, 采用复小波进行去噪。然后, 在传统PCNN模型的基础上, 对神经元的输入信号, 尤其是链接系数和 阈值的非线性衰减子因子进行了改进和简化, 同时对链接强度系数β进行理论上的近似推导, 并减少人工设置的参数。最后, 通过最佳阈值对其结果进行二值化处理得到感兴趣的目标图像。实验结果表明, 改进后的算法运行效率提高, 自适应性增强。与传统算法相比, 区域一致性提高0.013, 区域的对比度提高0.015, 效果优于传统的PCNN算法, 为高分辨率SAR图像分割提供了一种新策略。     

基于HSI的彩色图像二值化技术研究

当今的工业应用中存在着大量没有输出接口的数字仪表。要想自动读取仪表中的数据,只能通过识别技术。数字仪表识别的关键在于图像的二值化处理。在工业环境中实时采集的图像多为彩色图像,由于现场光线以及仪表位置等因素,应用传统的二值化技术存在处理速度慢、清晰度不高等缺点。给出一种基于HSI空间上彩色图像二值化方法。这种方法不需要对图像进行灰度处理而是直接对彩色图像进行处理,不仅能够提高处理速度,而且对较模糊的图像也能获得较好的处理效果。     

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。     

基于非线性预处理策略的文档图像二值化处理

在许多对图像进行识别的应用中,如机票图像识别,芯片字符识别等,首先都要将图像进行二值化,转为黑白图像.但是由于一般扫描的图像都不是非常理想,直接二值化的效果并不好,通常都要经过一些预处理方法增强图像,去除在扫描过程中产生的噪声和形变,但使用线性的、空间不变的过滤器,去噪声的同时又会丢失边缘信息.因此笔者介绍了一种自适应的非线性预处理的方法,能够在去噪声的同时很好地进行边缘增强.     

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。