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.     

基于脉冲耦合神经网络和形态学的边缘检测

阐述了脉冲耦合神经网络(pulse coupled neural network,PCNN)模型的基本工作原理.对于含有噪声的图像,用传统的边缘检测方法不能很好地将图像边缘检测出来.考虑到PCNN在图像分割中的天然优势和数学形态学对图像的膨胀腐蚀作用,采用PCNN和数学形态学相结合的方法对含有噪声图像进行边缘检测.实验结果表明,该算法是有效可行的.     

基于倒数交叉熵的改进脉冲耦合神经网络图像分割算法

针对脉冲耦合神经网络(pulse coupled neural network,PCNN)模型需要人工方式确定循环迭代次数,以及香农熵定义中基于对数函数存在零点处无意义的缺陷和对数运算影响处理速度等问题,提出了一种基于最小倒数交叉熵自适应生成迭代次数的PCNN图像分割算法.首先,对传统的PCNN模型进行简化,并对神经元的反馈输入函数、连接输入函数和动态阈值函数进行修正;然后,应用二维倒数交叉熵的分解算法,通过两个一维倒数交叉熵的组合获得二维倒数交叉熵;最后,采用最小倒数交叉熵准则确定PCNN网络的循环迭代次数,实现对图像的最优分割.仿真实验验证了该方法的有效性.     

基于最小交叉熵的改进PCNN杨梅图像分割算法

针对传统脉冲耦合神经网络(Pulse coupled neural network,PCNN)模型复杂、迭代次数需要人工试验调整等缺点,对PCNN模型进行改进,提出了一种基于色差分量R-G和改进PCNN模型的杨梅图像分割方法.首先用杨梅图像的R-G色差分量作为输入;然后选用最小交叉熵准则,自适应生成PCNN的迭代次数;最后通过PCNN迭代实现杨梅图像的自动分割.实验结果表明,此方法与传统方法相比,能够有效避免背景干扰,提升了图像分割质量,分割结果更符合杨梅果实的特征.     

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.     

一种基于简化PCNN的红外图像分割方法

提出一种基于简化脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的红外图像分割新方法.针对红外航拍图像所具有的噪声大、灰度范围较窄以及具有对比度反转现象等特征,从原始图像与分割图像的相似性出发,采用最大互相关匹配来确定PCNN的最优参数,最终完成图像分割.实验结果验证了该方法的有效性.     

基于脉冲耦合神经网络的指纹识别方法

脉冲耦合神经网络(PCNN)是基于猫视觉原理构建的一种简化的神经网络模型,它的点火时刻序列图包含了局部图像的灰度分布信息和相邻像素之间的几何信息,这恰是纹理图像的特征所在.基于这种特性,该文提出一种把PCNN的点火脉冲信号总和通过傅里叶变换的新的模式识别方法.最后给出了部分指纹图像仿真实验的结果,以验证该方法的有效性.     

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.     

利用脉冲耦合神经网络实现数学形态学的基本运算及其应用

脉冲耦合神经网络（PCNN）是最近几十年来研究的热点,尤其是其在图像处理的各个领域的应用。本文以实例说明了PCNN进行图像处理时用到的脉冲并行传播特性可以实现数学形态学的基本运算这一命题,在前人得出的结论的基础上进行实验验证和推广,并将其应用于图像边缘检测,进一步加强了PCNN与数学形态学的联系。     

基于灰狼优化算法的PCNN中药材显微图像分割

为有效分割中药材显微图像的目标信息,提出了一种基于灰狼优化算法(Gray wolf optimization, GWO)的改进型脉冲耦合神经网络(Pulse coupled neural networks, PCNN)中药材显微图像自动分割方法。首先,从适应处理显微图像的角度出发对传统PCNN模型进行简化与改进;其次,在训练图像中提取香农熵值作为GWO的适应度函数来自适应调节PCNN关键参数——链接系数β,进而实现图像目标的最优分割;最后,将所提算法与聚类分割法、OTSU法、传统PCNN法进行了实验比较,并用骰子系数、体积重叠误差、相对体积、精确度和交并比等常用医学图像分割评判标准对4种处理方法做了客观评价。实验结果表明,所提方法能够实现图像的自适应分割,较好地保持了图像细节、纹理及边缘等信息,对不同显微图像分割准确度高,改善了图像的分割性能,具有较强的适用性。     

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.     

哈里斯鹰算法优化脉冲耦合神经网络的图像自动分割

为了降低脉冲耦合神经网络(pulse coupled neural network,PCNN)参数设置的复杂度,提出了一种利用哈里斯鹰优化算法(Harris Hawk optimization algorithm,HHO)搜索PCNN参数的图像自动分割方法。一方面,在不影响分割效果的情况下,减少了PCNN的参数个数;另一方面,HHO算法具有收敛速度快、全局搜索能力强的特点,能够快速、准确地搜索到PCNN相应参数。引入图像熵作为适应度函数,选取脑部MRI图像进行实验,通过精度、召回率和dice,比较了HHO结合PCNN与几种不同搜索机制的优化算法结合PCNN的分割性能,仿真实验结果表明,提出的方法有较高的分割精度和较强的鲁棒性,具有较高的工程实用价值。     

基于非下采样Contourlet变换和PCNN的表面缺陷自动识别方法

基于多尺度几何分析的表面缺陷特征提取方法中,常用的可分离二维Wavelet基是各向同性的,无法有效表示图像的纹理和边缘,且通常对多尺度分解系数所提取的特征不全面.提出基于非下采样Contourlet变换(NSCT)和脉冲耦合神经网络(PCNN)的特征提取方法,并应用于冷轧带钢表面缺陷自动识别.首先用NSCT对缺陷图像进行多尺度多方向分解;然后将子带图像输入PCNN迭代点火,计算点火图的熵序列作为子图的特征,合并各子图特征得到原图的特征向量;最后用支持向量机进行分类识别.该方法能够全面准确提取缺陷图像信息,尤其是纹理边缘等方向信息,且方法可并行实现,PCNN不需要训练.利用从生产线现场采集的缺陷图像对文中方法进行了试验,识别率达95.44%.     

基于最小Tsallis交叉熵改进型PCNN图像分割算法

针对传统脉冲耦合神经网络(PCNN)模型中存在的待定参数过多且难以选择、循环迭代次数难以确定的缺陷,提出了一种基于最小Tsallis交叉熵改进型PCNN图像分割算法.根据改进的内部活动项和阈值衰减函数初始化模型参数,根据图像特性自适应设置链接强度系数和链接权值矩阵;利用最小Tsallis交叉熵准则确定PCNN循环迭代次数,采用双边带滤波器对分割图像进行滤波,获取最优图像分割结果.仿真实验结果表明,该算法提高了分割后图像的区域一致性、区域对比度、形状测度,缩短了运行时间,改进了图像分割效果.     

基于强度PCNN的静态图像人脸识别

为了减少人脸图像中姿势、表情和光照等因素对人脸识别的影响,引用了一种基于脉冲发放强度的脉冲耦合神经网络(PCNN,pulse coupled neural network)的人脸特征提取方法。不同人脸图像具有不同的灰度特征,将人脸图像输入PCNN模型后可以得到各个图像特定的脉冲发放强度矩阵。实验利用脉冲强度矩阵作为人脸特征,并结合距离分类器——余弦距离进行人脸识别。仿真实验表明,基于强度PCNN模型提取的特征能刻画出人脸的细节,对于不同姿势、表情及面部明显遮挡物的人脸图像,具有较好的识别结果。该方法对于复杂人脸图像特征的提取,具有较强的鲁棒性。     

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。     

基于视频的交通参数的自动提取

介绍一种基于视频的交通参数的自动提取系统.针对实时交通图像的特点,提出一种基于RGB彩色向量聚类的动态背景生成方法.通过背景差法提取出目标物体,并应用形态学方法消除噪声.根据汽车在交通图像中的位置进行汽车长度的按比例换算,统计出汽车占用车道总长,从而得到每一车道的车辆数、车辆占有率及车辆平均占有率.实验结果表明,系统能够较准确地检测出车道的车辆占有率.     

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.     

融合二维条件熵和脉冲耦合神经网络的图像分割算法

为了在中强度背景噪声图像分割下提高分割精度和处理速度,提出了一种融合二维条件熵和脉冲耦合神经网络(PCNN)的图像分割算法。该算法在分析PCNN阈值衰减规律的基础上,将原指数形式替换成线性衰减机制,构成线性门限-脉冲耦合神经网络模型,以降低循环迭代的总耗时量。此外,借助能够很好反映图像边缘细节等局部结构信息的灰度-梯度共生矩阵,将抗噪性能强的条件熵扩展为二维测度,进而形成最大二维条件熵客观判决准则以获得PCNN的最佳阈值。实验表明,与基于交叉熵的PCNN算法相比,本文算法拥有更强的抗噪鲁棒性,同时处理效率也得到明显提升。     

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.