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.     

一种基于精简粒子群优化的霍夫变换算法

为了提高现有霍夫变换算法的准确率及计算效率,提出了一种基于精简粒子群优化的霍夫变换算法.该方法将霍夫变换后解的参数作为粒子位置,将霍夫变换的累加数组值作为粒子的适应度值,每一次迭代更新粒子的位置和速度,并将所得粒子群的适应度值按降序排列,保留"强壮"粒子,组成精简粒子群.实验结果表明,基于精简粒子群优化的霍夫变换算法不仅可以提高霍夫变换的计算速度,而且可以获得较高的计算准确率,特别是对于复杂背景图像和高噪声图像也同样适用.     

基于空间和时间特性的动态背景中的运动物体检测

基于高斯混合模型(GMM)的方法在运动物体检测中应用广泛,并且取得了很好的效果.然而这种方法在动态背景中,例如摇曳的树枝、喷泉、照相机的抖动等,其效果受到严重影响.主要的原因是忽略了像素间的空间相互关系,这种关系对处理动态背景十分关键.提出一种新颖的运动物体检测方法,通过同时运用空间和时间信息,有效地处理了动态背景.实验效果表明在动态背景中,新方法的效果明显好于传统的GMM方法.