论文部分内容阅读
脉冲耦合神经网络(Pulse Coupled Neural Network-PCNN)模型凭借模拟猫大脑视觉皮层这一有利的生物学背景，以及区别于传统人工神经网络的脉冲串发放，时空累加和动态阈值特性，很好地模拟了生物神经元的疲劳、不应期及脉冲激励现象。目前已广泛应用于图像处理各个领域，显示出巨大的优越性。图像分割和边缘检测是图像处理中的重要步骤，其结果关系到后续图像识别和机器智能处理的精确度，一直都是图像处理研究的热点。
本文针对PCNN在图像分割和边缘检测应用领域，进行了深入的研究分析：改进Unit-Linking PCNN对灰度图像边缘检测的处理算法，提高边缘提取质量；将Unit-Linking PCNN图像分割与边缘检测应用范围扩展到彩色图像的处理；研究通用PCNN改进模型在图像分割中的应用。
所做的研究工作及所取得的研究进展主要在以下几个方面：
一、综述了PCNN原始模型和原理；改进后的通用PCNN模型和原理；单位链接脉冲耦合神经网络Unit-Linking PCNN模型和原理。
二、提出了一种特殊的图像边缘检测预处理方法，以块状增强方式增强图像对比度，使用图像均匀分块实现了灰度图像的近似多阈值分割。用具有平滑作用的最小交叉熵作为分割迭代准则，最大程度的避免了噪声对图像分割的干扰作用。改善了该模型进行灰度图像边缘检测过程中，细节信息丢失多，对复杂图像和低对比度图像的边缘检测效果不尽如人意的缺点。并且神经元模型参数对图像边缘检测结果的影响较不敏感，具有较好适用性。
三、在彩色图像分割中，提出三基色分割后实施合并的大概率合并策略、小概率合并策略两种不同的分量合并方法。与分割迭代准则最大香农熵和最小交叉熵结合，提出四种彩色图像分割方案。采用RGB彩色空间，增强了分割的效果。在彩色图像分割基础上，完成彩色图像边缘检测。解决了彩色图像分割中各分量分割结果合并准则单一的问题，提高了彩色图像分割和边缘检测的质量。
四、在以上应用中，都采用Unit-Linking PCNN作为图像分割和边缘检测的神经网络模型，避免了参数繁多，设置困难，结果对参数敏感的问题。
五、提出最大相关准则作为分割计算中的迭代准则，避免了常用的最小交叉熵中大量的对数计算，最大香农熵中分割图和原图的像素灰度分布没有产生密切联系的缺点。
六、使用改进型PCNN通用模型，解决了常用Unit-Linking PCNN模型弱化相似群神经元发放脉冲特性的问题，同时还在一定程度上讨论了改进型PCNN通用模型中模型参数对分割结果的影响。