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。     

脉冲耦合神经网络的人脸识别方法

 在脉冲耦合神经网络(PCNN,pulse coupled neural network)中,基于神经元脉冲震荡的时间序列概念,利用平均时间序列和平均欧氏距离的方法实现了人脸识别.实验仿真表明了该方法的有效性,对不同人脸和复杂表情的人脸均具有较好的识别效果.     

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。     

基于脉冲耦合神经网络的QoS路由算法

介绍了QoS需求下路由选择的特点和神经网络在QoS路由领域的应用,分析了脉冲耦合神经网络(PCNNs)模型,在此基础上提出了一种支持QoS路由的PCNNs改进模型,并对基于此模型的QoS路由算法进行了描述和模拟.模拟结果显示:通过自衍波在神经网络中的传递可以寻找到源节点和目的节点之间满足QoS需求、代价最小的路径.     

基于脉冲耦合神经网络的运动检测算法

在研究PCNN算法的基础上,详细论述了PCNN的数学模型与工作原理,提出了基于PCNN的运动目标检测算法,设计了基于简化PCNN模型的运动目标检测算法流程,针对模型的匹配问题,结合双阈值思想,提出白适应局部阈值方法。实验证明,该方法在目标和背景的灰度差别对比度较低的条件下,能提高目标检测的完整性,该算法较传统算法有背景建模快、抗干扰性强等优良特性、较好地解决背景的多模态问题。为以后研究PCNN提供了理论基础。     

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。     

基于小波变换的双通道脉冲耦合神经网络图像融合

提出了一种基于小波变换的双通道脉冲耦合神经网络的图像融合方法.先使用小波变换的方法来分解配准后的各个源图像,进而得到各个源图像的低频分量和高频分量,再把得到的低频和高频系数进行融合处理,使用高斯加权平均的低频融合规则来处理低频子带,利用双通道脉冲耦合神经网络的融合规则处理各高频子带,链接系数为图像的清晰度.融合后的小波系数取决于点火图和点火次数的多少,最后的融合图像由小波逆变换得到.实验结果表明,该方法能更有效地提取原始图像的特征信息,在主观视觉效果以及客观性能指标上较传统算法都有所改善.     

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.     

基于忆阻脉冲耦合神经网络的图像去噪

为解决传统脉冲耦合神经网络的参数不固定问题,在图像处理中应用忆阻元件突出的记忆属性,提出了 应用两个忆阻元器件反向并联模拟脉冲神经网络中的神经元间的连接强度,构建新型忆阻脉冲神经网络,实现 神经元间连接强度动态可变化,再将该新型网络用于图像去噪问题。通过Matlab 仿真实验,验证了改进后的 新型网络在图像去噪方面的良好性能,并通过峰值信噪比和图像相似度指标证明了该方法用于图像去噪具有 较好的效果。     

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。     

时变脉冲耦合神经网络的稳定性分析

讨论了时变脉冲耦合神经网络的稳定性问题,时变脉冲的一个重要特征是不稳定脉冲和稳定脉冲在模型中同时存在;通过控制时变脉冲强度,可以分析时变脉冲耦合神经网络的稳定性,得到满足时变脉冲耦合神经网络全局指数稳定的几个条件;最后,举例表明理论结果的有效性.     

基于双通道脉冲耦合神经网络的应用研究

通过对双通道脉冲神经网络模型的改进,提出了一种邻域SEML激励的自适应双通道脉冲耦合神经网络医学图像融合的新方法。即通过提高模型的性能和脉冲神经网络进行自动化图像处理的能力。首先介绍了双通道脉冲耦合神经网络模型及其原理,然后阐述了基于这一模型的一种新融合算法,最后对本文融合算法以及各传统融合算法得到的实验仿真结果进行了分析。     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。     

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。     

基于相位一致性与PCNN的SAR和多光谱图像融合算法

针对合成孔径雷达(synthetic aperture radar,SAR)和多光谱图像融合结果易出现空间细节信息丢失问题,文章提出一种相位一致性和脉冲耦合神经网络(pulse coupled neural network,PCNN)相结合的图像融合方法.利用强度-色调-饱和度(intensity-hue-satura...     

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。     

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。