一种新的基于PCNN的图像脉冲噪声滤波算法
基于PCNN的脉冲噪声滤波算法
基于PCNN的脉冲噪声滤波算法唐青华;曹敦;刘白皓【期刊名称】《微计算机信息》【年(卷),期】2011(027)010【摘要】鉴于噪声点和边缘点具有相似性,传统中值滤波、均值滤波很难对其进行区分,容易造成图像细节丢失。
本文通过分析总结脉冲噪声的特点及脉冲耦合神经网络（PCNN）的工作机理,提出了一种基于PCNN的脉冲噪声滤波算法。
首先利用PC-NN的脉冲传播特性检测出原始图像的噪声点和边缘点,然后利用噪声点和边缘点不同特点对其进行判断区分,若为噪声点进行中值滤波,边缘点则不做处理。
实验结果表明该方法不但能有效的去除图像中的脉冲噪声,而且能很好的保护图像细节信息且提高了去噪后图像的峰值信噪比。
%In view of the similarity of noise points and edge points,it is difficult for traditional median filter or mean filter to distinguish them,so some of image detail are lost.By analyzing and summarizing the characteristics of impulse noise and the the working mechanism of pulse coupled neural network（PCNN）,a PCNN-based filtering algorithm for impulse noise is proposed.Firstly,the noise points and edge points of the original image are detected by using the pulse propagation characteristics of PCNN,then distinguished by their different characteristics.After that,the noise points are dealt with median filter,but the edge points are not treated.Experimental results show that the method not only can effectively remove the impulse noise,but also can well protect the details and improve PSNR of the denoised image.【总页数】3页(P116-118)【作者】唐青华;曹敦;刘白皓【作者单位】长沙理工大学计算机与通信工程学院,湖南长沙410014;长沙理工大学计算机与通信工程学院,湖南长沙410014;长沙理工大学计算机与通信工程学院,湖南长沙410014【正文语种】中文【中图分类】TP316.81【相关文献】1.基于ROAD检测的脉冲噪声图像小波域滤波算法 [J], 徐基龙;王振东;彭玉升;马宏亮2.基于PCNN的改进脉冲噪声去噪方法 [J], 郭雷;梁楠;王瀛3.基于简化PCNN的脉冲噪声滤波 [J], 郭旭展;姚建峰4.一种新的基于PCNN的图像脉冲噪声滤波算法 [J], 卢桂馥;王勇;窦易文5.基于简化PCNN的脉冲噪声滤波 [J], 郭旭展;姚建峰因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCNN的改进脉冲噪声去噪方法
基于PCNN的改进脉冲噪声去噪方法郭雷;梁楠;王瀛【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)016【摘要】A new method is proposed for impulse noise denoising which is based on Pulse Coupled Neural Network (PCNN) and the analysis of the neighborhood structure of the noise point. PCNN is used to ignite the noise image to obtain a firing grade image. Noise points are classified according to the difference of their neighborhood structure in the firing grade image. Median Filter is applied to the noise with simply neighborhood structure. To eliminate the noises with complex neighborhood structure, an approach is introduced based on regional membership. The results show the new method can restrains noise effectively and keep the edges detail as well.%提出了一种基于噪声邻域结构分析的脉冲噪声去除方法.对脉冲耦合神经网络点火形式进行修改,通过对含噪图像进行点火,获得点火级别图像并定位噪声.对噪声点邻域结构进行分析,对不同邻域结构的噪声点进行分类.对邻域结构简单的噪声点采用中值滤波进行去噪；对邻域结构复杂的噪声点提出了一种基于区域隶属度的去噪方法.实验结果表明所提出的算法可以有效抑制图像中的脉冲噪声,并可以保留图像的边缘细节.【总页数】4页(P26-29)【作者】郭雷;梁楠;王瀛【作者单位】西北工业大学自动化学院,西安710072;西北工业大学自动化学院,西安710072;西北工业大学自动化学院,西安710072【正文语种】中文【中图分类】TP391【相关文献】1.基于简化PCNN的脉冲噪声滤波 [J], 郭旭展;姚建峰2.一种新的基于PCNN的图像脉冲噪声滤波算法 [J], 卢桂馥;王勇;窦易文3.基于PCNN的脉冲噪声滤波算法 [J], 唐青华;曹敦;刘白皓4.基于改进PCNN决策的非对称裁剪中值去噪方法 [J], 朱世松; 吴亚楠5.基于简化PCNN的脉冲噪声滤波 [J], 郭旭展;姚建峰因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCNN的图像高斯噪声滤波的方法
收稿日期:2002-04-03(修改稿) 基金项目:国家自然科学基金项目(60071026);图像信息处理与智能控制国家教育部重点实验室开放基金项目(TK LJ0005);国防科技预研跨行业基金项目(00J1.4.4.DZ 0106) 作者简介:石美红(1956-),女,江苏仪征人,副教授,主要研究方向:网络与数据库应用、图形图像处理、人工神经网络; 张军英(1961-),女,江苏南通人,教授,博士,主要研究方向:人工神经网络、遗传算法、智能信息处理等方面; 朱欣娟(1969-),女,河南开封人,副教授,博士研究生,主要研究方向:系统工程、数据库原理及应用、人工神经网络等方面; 张晓滨(1970-),男,山西大同人,讲师,博士研究生,主要研究方向:信息检索、数据挖掘、图形图像处理.文章编号:1001-9081(2002)06-0001-04基于PCNN 的图像高斯噪声滤波的方法石美红1,张军英2,朱欣娟1,张晓滨3(1.西安工程科技学院信息控制系,陕西西安710048;2.西安电子科技大学计算机学院,陕西西安710071;3.西安交通大学电信学院,陕西西安710049)摘 要:针对图像高斯噪声的特点,提出了基于PC NN 的图像高斯噪声的滤波新方法。
通过对脉冲耦合神经网络运行机理的分析,指出网络中神经元间的捕获特性本身在一定程度上起着对图像的滤波作用,并介绍了该滤波方法的去噪能力和特点。
为进一步适应图像滤波的需要,对PC NN 的硬限幅函数加以了改进。
最后给出了仿真实验的结果,验证了该方法的有效性。
关键词:高斯噪声;脉冲耦合神经网络;捕获中图分类号:TP391.41 文献标识码:A A METH OD OF IMAGE GAUSS NOISE FI L TERING BASED ON PCNNSHI Mei 2hong 1,ZH ANGJun 2ying 2,ZH U X in 2juan 1,ZH ANG X iao 2bin 3(rmation &Control Department ,Xi πan Insitute o f Science &Technology ,Xi πan Shanxi 710048,China ;puter Institute ,Xidian Univer sity ,Xi πan Shanxi 710071,China ;3.Electron &Information school ,Xi πan Jiaotong Univer sity ,Xi πan Shanxi 710049,China )Abstract :In this paper ,a new method of image filtering of G auss noise with Pulse -coupled Neural Netw orks is presented in view of characteristics of G auss noise.I t is indicated that captures am ong neurons act on image filtering to a certain extent through analyses of PC NN ′s w ork principle ,and the capability and characteristic of filtering noises is discussed ,and im provement of PC NN m odel and optimal rule of PC NN parameters is described ,then experimental results are given ,which prove it feasibly and efficiently.K ey w ords :gauss noise ;pulse -coupled neural netw orks ;capture1 引言图像滤波在图像的处理中占有着重要的地位。
基于PCNN的彩色图像混合噪声滤除
效抑制噪声直接影响到图像的后续处理…。尤其是对混合噪 声的滤除，一直是图像去噪领域的难 点。
脉冲耦合神经 网络（ｕｓ Ｃ ｕｌｄ ｕａＮｅ ｏｋ Ｐ Ｎ ） Ｐ ｌ ｏ ｐｅ ｒ ｔ ｒ， Ｃ Ｎ ｅ Ｎｅ ｌ ｗ 具有生物学 背景 ，是依据动物的大脑视觉皮层上的 同步脉冲
（） ４脉冲产生模块 ：
Ｍ ｉ ｅ ｎｏ ｓ ｅ ｏ ｌｆ ｒＣｏ ｏ ｍ ａ ｅ ｘ ｄ－ ｉｅＲ ｍ ｖａ ０ ｌ ｒＩ ｇｓ
Ｂａ ｅ ｎ Ｐｕ ｓ ｕｐｌ ｄ Ｎｅ ａ ｔ ｒ ｓ ｄ ０ ｌｅＣｏ ｅ ｕｒ ｌ Ｎｅ ｗｏ ｋ
Ｈ Ｅ ａ ． ＩＳｈａ ｆ ．Ｗ ＡＮ Ｇ Ｋ ｉＬ ｏ－ａ Ｃｈｅ ｎｇ
ｐ ｏ ｏｓ ｄ ａ ｇ ｒ ｈ ａ ｈ ｘ ｅ ｉ ｎ ａ ｅ ｕ ｔ ｅ ｎｓｒ ｔ ｔ ａ ｉ ｉｙ ｒ ｐ ｅ ｌ ｏ ｉ ｍ ｎｄ ｔ ｅｅ ｐ ｒｍｅ ｔ ｌ ｓ ｌｓｄ ｍｏ ｔ ｅ ｉ ｖ ｌ ｔ ． ｔ ｒ ａ ｓ ｄ
［ ｙｗｏ ｄ ］Ｐ ｌ ｕ ｌ ｕａ Ｎｅｗ ｒ（Ｃ Ｋｅ ｒ ｓ ｕｓ Ｃｏ ｐｅ Ｎｅ ｒｌ ｔ ｏｋＰ ＮＮ）ｍｉｅ —ｏｓ；ｉｅｒ ｔ ｎ ａ ｄｔｒｓｏｄ ｅ ｄ ； ｘ ｄｎ ｉｅ ｌ ａ－ ｔ ｕｔ ｅｈ ｌ ｎ ａｅ ｅ ｈ
ｗｈ ｃ ａ ｉ ｅ ｒａｔ ｎ ａ ｅ ｈ ｅ ｈ ｌ ｎ ｉ ｈ ｅ ｖ ｒ ｇ ｄ ｇ ａ ｅ ｅ ｕ ｐ ｔ ｏ ｓ ｌ ｅｔ ｅｎ ｉｅ ｂ ｏ ｃ ｅ ｒ ｂ ｅ ｗｉ ｅ ｅ ｔｍａ ｉ ｎ ｏ ｏ ｓ ｉ ｅｓ ｉｈ ｈ ｓｌ ａ ｔｅ ｕ ｔｄ ｔ ｒ ｓ ｏ ｄ ａ ｄ ｗｅ ｇ ｔ ｄ ａ ｅ ａ ｅ ｒ ｙ ｌｖ ｌ ｔ ｕ ｏ ｖ ｈ ｏ ｓ ｌ ｔ ｈ ｓｐ ｏ ｌ ｍ ｔ ｔ ｓｉ ｔ ｆｎ ｉｅ ｐ ｘ ｌ ｎ ｏ ｔ ｈｈ ｏ
一种PCNN的彩色图像脉冲噪声滤波方法
摘
要 ： 过 脉 冲 噪声 特 性 总 结 以及 对 脉 冲耦 合 神 经 网络 （Ｃ Ｎ） 作 机理 的分 析 ， 立 了一 个在 Ｒ Ｂ 色彩 空 间上 的一 种 基 于脉 通 ＰＮ 工 建 Ｇ
冲耦合神经网络的彩 色图像去噪算法及模型。 首先利用 Ｐ Ｎ Ｃ Ｎ的同步脉冲发放特性定位脉 冲噪 声点的位置 ； 然后利用 中值滤波对 其进 行 去 噪 处理 ， 并将 结 果 与 中值 滤 波 等 其他 滤 波 方 法进 行 了比较 。 实验 结 果表 明该 方 法 不但 能 够有 效 去 除 图像 中的噪 声 ， 而且 能够更好地保护 图像 细节， 较传统彩 色图像去噪方法有较 明显的优越性。 关键词 ： 脉冲耦合神经 网络 ； 脉冲噪 声； 色图像去噪 ； 彩 中值 滤波 ； 峰值信噪比 Ｄ ：０３７ ￣ｉ ｎ１０ — ３ １ ００１． １ 文章编号 ：０ ２ ８３ （０ ０ １ — １６ ０ 文献标识码 ： 中图分类号：Ｐ ９ ． ＯＩ１ ． ８ ．ｓ． ２ ８３ ． １． ０ ７ ｓ ０ ２ ４５ １０ — ３ １ ２ １ ）４ ０ ７ — ３ Ａ Ｔ３１１ ４
彩色图像含有比灰度图像更多的信息 ， 因此彩色 图像处理
１６ ２ １ ，６ １ ） ７ ０ ０ ４ （４
Ｃ ｍ ｕｅ ｎｉｅｒ ｇ ａｄ Ａ ｐｉａｏｓ ｏ ｐ ｔ Ｅ ｇｎｅｉ ｎ ｐ ｌ ｔ ｎ 计算机工程与应用 ｒ ｎ ｃｉ波方法 Ｃ Ｎ
王娅 茹
Ｗ ＡＮＧ — Ｙａ ｎ
枣庄学院 物理 与电子工程系 ， 山东 枣庄 ２ ７６ ７ １０
Ｄｅ ａ ｔ ｎ ｆ Ｐ ｙ ｉｓ ａ ｄ Ｅ ｅ ｔ ｎ ｃ Ｅｎ ｉ ｅ ｒ ｇ Ｚ ｏ ｈ ａ ｇ Ｃ ｌ ｇ ， ａ ｚ ｕ ｎ ， ｈ ｎ ｏ ｇ ２ ７ Ｃｈｎ ｐｒ ｍｅ ｔ ｏ ｈ ｓ ｎ ｌ ｃｒ ｉ ｇｎ ｅ ｎ ， ａ ｚ ｕ ｎ ｏ ｌ ｅ Ｚ ｏ ｈ ａ ｇ Ｓ ａ ｄ ｎ ７ ０， ｉ ａ ｃ ｏ ｉ ｅ １ ６
基于PCNN神经网络的图像去噪算法研究
第25卷 第8期计 算 机 仿 真2008年8月 文章编号:1006-9348(2008)08-0234-04基于PCNN神经网络的图像去噪算法研究邹文洁(南华大学机械工程学院,湖南衡阳421001)摘要:图像噪声的去除一直是图像处理领域的难点,以往介绍的去噪方法主要用于去除二值图像的噪声,不能用于灰度图像的去噪,而且在去噪的同时会引起图像的模糊,为了解决问题,根据PCNN的工作原理和噪声的特点提出了一种改进的基于PCNN的去噪方法。
计算机仿真实验结果表明该方法能在有效去除椒盐噪声的同时,很好地保留了图像的细节,防止了图像的模糊,对图像的恢复、图像的识别是十分有益的,但对于严重的高斯噪声,去除效果还不是很理想,该算法有待改进。
关键词:脉冲耦合神经网络;椒盐噪声;图像去噪中图分类号:TP39119 文献标识码:AAn I mage D e-no isi n g A lgor ith m Ba sed on PCNNZ OU W en-jie(School of Mechanical Engineering,University of Southern China,Hengyang Hunan421001,China)ABSTRACT:The re moval of i m age noise is al w ays a difficult p r oble m in the field of i m age p r ocessing.Conventi onalmethods,which may make the i m age blurred,are mainly used for denoising of binary i m age,cannot be app lied f orgray i m age.For s olving this p r oble m,the paper p r oposes an i m p r oved method based on PCNN,according t o the oper2ating theory of PC NN and the characters of noise.The computer si m ulati on experi m ent result p r oves that the methodis perfect f or i m age with noise of salt and pepper and has a good ability in keep ing the details of i m age.This is verybenficial t o i m age rest orati on and i m age recogniti on.However,the method is not perfect for i m age with seri ous gaussnoise and s o it is t o be i m p r oved.KE YWO R D S:Pulse coup led neural net w ork;Salt and pepper noise;I m age de-noising1 引言图像噪声去除是否有效将直接影响后续图像处理的质量,特别是针对由于运动等因素引起的模糊图像的恢复而言,去噪显得更加重要。
一种基于PCNN检测的文档图像去噪算法
【 ｂｔａｔＡ ｆ ｔｅｍ ｔ ｄ ｆ ｏｕ ｅｔｍ ｇｓｗ ｉ ａｅ ｅｓ ｐｅ ｕ ｅ ｏｐ ｄ ｅｒ ｅ ｏｋ（ Ｃ Ｎ， ｒ ｏｅ ｍ ｖ Ａ ｓ ｃ］ｎｅｅ ｉ ｅ ｏ ｃｍ ｎ ｉａｅ ｈ ｈｉｂｓ ｏ ｔ ｍ ｌ ｐｌ ｕｌ ｕａｎｔ ｒ Ｓ Ｎ ）ｉｐｏ ｓ ｔｒ ｏｅ ｒ ｆｃｖ ｈ ｏｄ ， ｃ ｓ ｄ ｎｈ ｉ ｓｃ ｅ ｎ ｌ ｗ Ｐ ｓ ｐ ｄｏｅ
ｉ ｕ ｓ ｏ ｓ ｓ Ｆｉｓｌ ， ｈ ｄ ｌ ｆｄ ｃ ｍｅ ｔｉ ｍｇ ｓｅ ｔｂ ｉｈ ｄ ｆ ｒｉ ｕ ｔａ ｉ ｇ ｔ ｅ ｆ ａ ｉ ｉｉ ｆＳ ＣＮＮ，ｔ ｅ ｅ ｉ ｎ ｎ ｈ ｌ ｏ ｉ ｍ ｆＳ ＣＮＮ ｍｐ ｌｅ ｎ ｉｅ ． ｒｔｙ ｔ ｅ ｍｏ ｅ ｓ ｏ ｏ ｕ ｎ ｎ ｅ ｗａ ｓａ ｌｓ ｅ ｏ ｌ ｓｒ ｔ ｈ ｅ ｓｂ ｌ ｙ ｏ Ｐ ｌ ｎ ｔ ｈ ｎ ｄ ｓｇ ｉ ｇ ｔ ｅ ａ ｇ ｒｔ ｏ Ｐ ｈ
（ ． ｐ ｒｍｅ ｔ ｆ ａ ａ ｅ ｎ ｃｅ ｃ ｎ ｎ ｉｅ ｒｎ ，ｈ ｎ ｏ ｇ Ｎ ｒ ｌ ｉｅ ｓｔ ｃ ｏ ｌ ｎ ｎ Ｓ ａ ｄ ｎ ，５ ０ ４Ｃ ｉａ １ Ｄｅ ａ ｔ ｎ ｎ ｇ ｍｅ ｔ ｉｎ ｅａ ｄ Ｅ ｇｎ ｅ ｉｇＳ ａ ｄ ｎ ｏ ｍａ ｖ ｒｉ Ｓ ｈ ｏＪｉ ａ ｈ ｎ ｏ ｇ２ ０ １ ， ｈ ｎ ； ｏＭ Ｓ Ｕｎ ｙ ２Ｄ ｐ ｒｍｅ ｔ ｆ ｎ ｏ ｍａ ｉｎ Ｓ ｉｎ ｅａ ｄ Ｅｎ ｉ ｅ ｒ ｇ Ｓ ａ ｄ ｎ ｏ ｍａ ｉｅ ｓｔ ， ｎ ｎ Ｓ ａ ｄ ｎ ，５ ０ ４Ｃｈｎ ） ，ｅ ａ ｔ ｎ ｆｒ ｔ ｃ ｃ ｎ ｇｎ ｅ ｉ ， ｈ ｎ ｏ ｇ Ｎ ｒ ｌ ｏＩ ｏ ｅ ｎ Ｕｎｖ ｒｉ ｉ ａ ｈ ｎ ｏ ｇ ０ １ ， ｉ ａ ｙＪ ２
基于简化PCNN的脉冲噪声滤波
基于简化PCNN的脉冲噪声滤波作者：郭旭展姚建峰来源：《软件导刊》2015年第02期摘要：基于脉冲耦合神经网络，提出了一种有效的脉冲噪声图像滤波算法。
利用 PCNN 相似群神经元同步发放脉冲的特性检测噪声点，并利用中值滤波对噪声点进行滤波。
仿真表明，该方法对不同强度的噪声图像均体现了较好的滤波性能，在去噪效果和运行效率上同其它方法相比具有明显优势。
关键词关键词：脉冲耦合神经网络；脉冲噪声；同步脉冲DOIDOI：10.11907/rjdk.143807中图分类号：TP317.4文献标识码：A文章编号文章编号：16727800（2015）0020143020引言数字图像在生成和传输过程中有可能会受到多种噪声污染，其中典型的噪声是脉冲噪声。
脉冲噪声主要表现为极端的点状污染，噪声点与周边像素的灰度值区别很大，对图像的特征破坏也很大。
常用的降噪方法包括中值滤波[1]和均值滤波。
但这两种处理方法不区分噪声点，只是对所有像素进行同样的操作，整体图像都被平滑化，因此图像的细节破坏很大。
如何利用噪声与周围像素的灰度区别进行准确识别，有目的地进行降噪，保护图像细节，提高图像识别效果，一直是图像处理的研究热点[2]。
经过长期研究，图像处理技术日趋成熟，传统处理方法难以进一步提高处理效果，而模拟人的认知过程是一种新的发展方向，神经网络就是其中的代表。
长期以来，经典的神经网络结构，如BP神经网络、RBF神经网络等，在这一过程中得到广泛应用，但其处理信息是依赖于阈值和连接权值，这与人的认知方式截然不同，效果并不理想。
脉冲耦合神经网络（PCNN）是1990年Eckhorn提出的一种基于猫的视觉原理构建的简化神经网络模型，与其它神经网络相比，PCNN能从复杂背景下提取有效信息，不需要提前学习或者训练，同时具有同步脉冲发放和全局耦合等特性，其信号形式和处理机制更符合人类视觉神经系统的生理学基础[3]。
1算法思想1.1PCNN模型脉冲耦合神经网络通过对猫、猴等哺乳动物视觉神经细胞的模拟，利用单个神经元线性相加，激励可以传播的、其周围的神经元，经过与阈值的比较以确定是否产生点火，一旦条件成立，可以形成神经元集群同步振荡脉冲。
一种基于PCNN的图像噪声消去方法
一种基于PCNN的图像噪声消去方法
于菊珍
【期刊名称】《信息技术》
【年(卷),期】2008(32)7
【摘要】提出了一种基于PCNN(脉冲耦合神经网络)的图像椒盐噪声消去方法,针对椒盐噪声的特点,根据PCNN集群点火特性,结合邻域均值滤波器较好地进行了图像平滑.试验证明,该方法不仅能够有效地去除椒盐噪声,对图像纹理和边缘的保护也较好.
【总页数】3页(P112-114)
【作者】于菊珍
【作者单位】西北政法大学经济管理学院,西安,710061
【正文语种】中文
【中图分类】TN911
【相关文献】
1.一种基于双谱的图像噪声去除方法 [J], 王艳玲;王宏志;李玲
2.一种基于误差传递的图像噪声去除方法 [J], 马杏军;刘谨;陈敏贤
3.一种基于消去树的LDL分解方法及其在营销优化计算中的应用 [J], 何蓓;吴敏;桂卫华
4.一种基于小波变换去除遥感图像噪声的方法 [J], 侯波;迟耀斌;朱重光;赵忠明
5.一种基于脉冲耦合神经网络计算的SAR图像噪声抑制方法 [J], 王鑫东;王博
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于PCNN的图像去噪新方法
１引 言
脉 冲耦 合 神 经 网络 （ ＮＮ — Ｐ ｌ ｏ ｐｅ ｕ ａ ｅｗ ｒ ）与 传统 的 人工 神 经 网络 相 ＰＣ ｕｓ Ｃ ｕ ｌ Ｎｅ ｒｌＮ ｔ ｏ ｋ ｅ ｄ
比 ，有 着 根 本 的 不 同 ，最 近 越 来 越 多 的 研 究 者 加 入 了 对 它 的 研 究 。 Ｐ ＣＮＮ 有 着 生 物 学 的 背 景 ， 它是 依 据 猫、猴 等 动物 的大 脑视 觉皮 层 上 的 同步 脉 冲 发放 现 象 提 出 的。 Ｐ Ｎ 有着 广泛 的应 ＣＮ 用 ，可 应 用 于 图 像 处 理 、图 像 识 别 、运 动 目标 识 别 、通 讯 、决 策 优 化 等 方 面 【 。 文 深 入 研 究 ｌ ＿ 本
２Ｐ Ｎ 模 型 Ｃ Ｎ
根据 猫 的大 脑视 觉 皮 层上 的 同步 脉 冲 发放 现 象 ， Ｅｃ ｈ ｒ ｋ ｏｎ提 出有连 接 域 的 网络模 型 【 。 引 当 实 验 对 象 是 猴 子 时 ，可 观 察 到 同 样 的 现 象 【 。对 Ｅ ｋ ｏｎ提 出 的 模 型 进 行 一 些 修 改 ，就 得 到 引 ｃｈ ｒ
维普资讯
第２ 卷 第１ 期 ４ ０
２ ０ 年 １ 月 ０２ ０
电 子 与 信 息 学 报
Ｖ １４ ｏ ０ ｏ２ Ｎ ． ． １
Ｏ ｃ ．２ ０ ｔ ０２ቤተ መጻሕፍቲ ባይዱ
Ｊ ＯＵＲＮＡＬ ＯＦ ＥＬ ＥＣＴＲＯＮＩ ＣＳ ＡＮＤ ＮＦＯＲＭ Ａ ＯＮ Ｉ ＴＩ ＴＥＣＨＮＯＬ ＯＧＹ
． ．
｝
． ．
．
０； ≮ ． ｔ ＿
氆
维普资讯 ， 、： ｝ 点苟
１ ０５ ３
１ 期 ０
顾 晓 东 等 ：一 种 基 于 ＰＣＮ Ｎ 的 图 像 去 噪 新 方 法
一种基于PCNN的医学图像混合噪声滤波方法
图 ｌ单 Ｐ Ｃ ＮＮ 的 基 本 模 型
２基 于 Ｐ Ｃ ＮＮ 的 医学图像 混合 噪声 滤波 算法
Ｃ Ｔ图像中在获取或传输过程 中不可避免地会引入噪声 ， 但 主要表现 为高 斯噪声 和脉冲 噪声 。传统 的均值滤波 对混 合 噪声 的滤波效果不 理想 ， 而 中值滤波 虽然能滤 除噪 声，却 破坏 了图像 的边缘信 息， 使 图像 的细节变 得模糊 。滤除 噪声 和保护 边缘是矛盾 的，前者是为 了消除邻近像素 的亮度 差 ； 而后 者是为 了保 留邻 近像素 的亮度 差 。从 Ｐ Ｃ Ｎ Ｎ 的运 行原 理 角度 分析 ， 前者是为 了做 到存在亮度差 的空 间邻近 的像素
一般会被噪声污染， 图像数据混有各种噪声， 但主要表现为高
斯噪声和脉冲噪声 。噪声是影响 Ｃ Ｔ 图像质量至关重要 的因 素 ，直接影响着医生对病情的诊断和治疗 。当病变 组织与正 常组织 的衰减系数相差很小时 ，高噪声 Ｃ Ｔ将 无法 分辨 此病 灶 。因此 ，滤除医学 图像噪声是对医学图像做进一步处理的
中图分 类号 ： Ｔ Ｐ ３ ９ １ ． ４ １ 文献标识码 ： Ａ 文章编号 ： １ ６ ７ ３ － ｌ １ ３ １ （ ２ ０ １ ４ ） ０ ５ — ０ ０ ７ ８ — ０ ２
０ 引言
医学 图像成像系统复杂 ， 在形成和显示过程 中， 不可避免 地 引入 了各种噪声 ， Ｃ Ｔ图像也不例外 。在 获取 或传输过程 中
２ ０ １ ４ 年 第 ５ 期
信 息 通 信
Ｉ ＮＦ ＯＲＭ ＡＴ Ｉ ＯＮ ＆ ＣＯＭ Ｍ ＵＮＩ ＣＡＴ Ｉ ＯＮＳ
２０１ ４
（ 总第 １ ３ ７期）
（ Ｓ ｕ ｍ ． Ｎ ｏ １ ３ ７ ）
一种基于PCNN赋时矩阵的图像去噪新算法
一种基于PCNN赋时矩阵的图像去噪新算法
刘勍;马义德
【期刊名称】《电子与信息学报》
【年(卷),期】2008(030)008
【摘要】该文从图像脉冲噪声的特点出发,提出了基于脉冲耦合神经网络(Pulse Coupled Neural Networks,PCNN)赋时矩阵的图像去噪算法.赋时矩阵是由PCNN产生的一种从空间图像信息到时间信息的映射图,在图像处理中,赋时矩阵包含有与空间相联系的有用信息.计算机仿真结果表明,通过对PCNN赋时矩阵分析与处理,综合运用相关方法,可以有效地滤除被脉冲噪声污染的图像噪声,且恢复图像的视觉效果明显地好于中值滤波、均值滤波及维纳法得到的结果,其信噪比高、去噪能力强、对边缘和细节的保护性好、适应性强.
【总页数】5页(P1869-1873)
【作者】刘勍;马义德
【作者单位】天水师范学院物理与信息科学技术学院,天水,741001;兰州大学信息科学与工程学院,兰州,730000
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.一种基于PCNN检测的文档图像去噪算法 [J], 贾大伟;王希常
2.基于改进型PCNN赋时矩阵的图像特征识别方法 [J], 刘勍;马义德;张晓曦
3.基于可变步长PCNN赋时矩阵高斯噪声滤波 [J], 程园园;李海燕;张榆锋;施心陵
4.Winograd矩阵乘法算法用于任意阶矩阵时的一种新处理方法 [J], 谭福平;刘洪刚
5.PCNN赋时矩阵高斯噪声滤除算法 [J], 张文兴;闫海鹏;王建国
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于PCNN的图像噪声消去方法
一
作者简 介：于菊珍 （９ １ ，０ ３年毕 业于 西北工 业大学 计算机技 １８ 一） ２０ 术 与科学系， 科 ，０３年至 今就 职 于西 北政 法大 学经 本 ２０
Ａｂ ｔ ａ ｔ Ｔ ｉ ｐ ｐ ｒｐ ｅ ｅ ｔｄ ａｎ ｖ ｌ ｔｏ ｆｉ ｇ ｅ ｎ ａｔ ｏｓ ｍｏ ａ ．Ｂ ｋ ｎ ｄ ａ ｔ ｅ ｆ ｓｒ ｃ ： ｈ ｓ ａ ｅ ｒｓ ｎ ｅ ｏ ｅ ｈ ｄ ｏ ｍｅ ｍａ ｅ ｐ ｔａ ｄ ｓｌ ｎ ｉ ｒ ｖ ｅｅ １ ｙ ｔ ｉｇ ａ ｖ ａ ｓｏ ａ ｎ ｇ Ｐ ＮＮ ａ ｄ ｎ ｉｈ ｏ ｒａ ｅａ ｅ ｍ ｔｏ ，ｔｉ ｐ ｐ ｒ ｃ ａｅ ｙ ｒ ｌ ｒ ｏ ａ ｅ ｉ ｅ ｍｅ ｉ ｌ ｒｉ Ｃ ｅｇ ｈ ｕ ｖ ｒｇ ｅ ｈ ｄ ｈ ｓ ａ ｅ ｒ ｔ ａ ｈ ｂ ｄ ｆ ｔ ，ｃ ｍｐ ｒ ｗ ｔ ｔ ｄ ａ ｆ ｔ ｎ ｎ ｅ ｄ ｉ ｉ ｅ ｄ ｈ ｈ ｎ ｉ ｅ
摘
要 ：提 出了一种 基 于 Ｐ Ｎ （ 冲耦舍 神 经 网络 ）的 图像 椒 盐 噪 声 消去 方 法 ，针 对椒 盐噪 声 ＣＮ 脉
的特 点 ，根 据 Ｐ Ｎ Ｃ Ｎ集群 点 火特性 ，结合 邻域 均值 滤 波 器较好 地进行 了图像 平滑 。试 验 证 明 ，该 方 法不仅 能 够有 效地 去 除椒 盐噪声 ，对 图像 纹 理 和边缘 的保护 也较 好 。
［］ ｅ（ ｎ ＝ｘ 一 Ｐ
删
［ —］ ｎ １＋
（） ２
ｌ ｎ一１ Ｊ
［ ］＝ ［ ］１ ｎ ｎ（ ＋
收 稿 日期 ：２Ｏ —１ 一２ ０７ 】 ２
［ｉ ｈ） （） ３ Nhomakorabeaｌ ＰＮ Ｃ Ｎ模 型
基于PCNN的改进脉冲噪声去噪方法
正文数字图像在采集过程 中， 常常 受到脉 冲噪 声 的污染 。在进行进 一步 的图像处理之前 ， 要对 图 像进行 降噪 。传统的去除脉 冲噪声的空域方法有中 值滤波和均值滤波等。由于这些方法在去除噪声的 同时 ， 会对图像 中不含噪声的部分 同时进行处理 ， 均 值滤波会造成 图像的边缘模 糊 ， 中值滤波则会破 坏 和丢失边缘或尖角等图像的细节部分。Ｈ ｎ 出了 ａｎ 提 ＭＭＥ Ｍ算法 ， 首先将像素点邻域内灰度最大或最小 值 的像素点丢弃 ， 然后计算余下点的均值 ， 并将该均 值与中心点进行 阈值判断以进行去噪 。Ｇ Ｐ ｋ１ 出 ｏ 提 了基于 同性质点个数统计的噪声点检测方法 Ｃ Ａ Ｓ Ｍ， 通过判断像素点邻域 内同性质点的个数来判定噪声
ｉ ｈ ｒｎｇ ｇ ａ ｅ ｉ ｇｅ Ｍ ｅ ｉｎ Ｆｉ ｅ ｓａ ｌｅ ｏ ｔ ｅ ｎ ｉｅ ｗｉｈ ｓｍｐｌ ｉ ｈｂ ｒ ｏ ｄ ｓｒ ｃｕｒ Ｔ ｌｍｉ ａ ｅｔ ｎ ｔ ｅ ｆｉ ｒ ｄ ｍａ ． ｉ ｄ ａ ｌ ｒｉ ｐｐ ｉ ｄ ｔ ｈ ｏ ｓ ｔ ｉ ｔ ｙ ｎｅｇ ｏ ｈ ｏ ｔｕ ｔ ｅ． ｏ ｅ ｉ ｎ ｔ ｈｅ ｎ ｉｅ ｔ ｏ ｌ ｘ ｎｅｇ ｂｏ ｈｏ ｄ ｓｒ ｃｕ ｅ ｎ ａ ｐ ｏ ｃ ｓｉ ｔｏ ｕ ｅ ｓ ｄ ｏ ｒ ｇｉｎａ ｍｂｅ ｓ ｉ Ｔｈｅ ｒ ｓ ｌｓ ｏ ｓ ｓｗｉ ｃ ｍｐ ｅ ｉ ｈ ｒ ｏ ｔｕ ｔｒ ，ａ ｐ ｒ ａ ｈ ｉ ｎ ｒ ｄ ｃ ｄ ｂａ ｅ ｎ ｅ ｏ ｌｍｅ ｈ ｒ ｈ ｐ． ｅ ｕ ｔ ｓ ｏ ｔ ｗ ｔ ｄ ｃ ｎ ｒ ｓｒ ｉ ｓｎｏ ｓ ｆｅ ｔｖ ｌ ｎ ｅ ｐ ｔ ｅ ｅ ｇｅ ｅ ａｌａ ｌ． ｈ ｗ ｈｅｎｅ ｍｅｈｏ ａ ｅ ｔａ ｎ ｉｅｅ ｃ ｉ ｅｙ ａ ｄ ｋ ｅ ｄ ｓｄ ｔ ｉ ｓｗｅ１ ｈ
一种新的PCNN自适应去噪算法
一种新的PCNN自适应去噪算法
温海娇;文杰;王丽平;贾帅
【期刊名称】《计算机仿真》
【年(卷),期】2015(032)011
【摘要】针对椒盐噪音图像去噪问题,提出一种新的PCNN自适应去噪算法.首先通过统计分析离散余弦变换系数确定图像子块纹理复杂度,然后根据图像子块纹理复杂度自适应调整窗口大小,最后采用PCNN检测噪并修正噪音点.经过仿真表明,统计分析离散余弦变换系数能够较好地划分图像子块纹理细节复杂度.与中值滤波以及PCNN去噪算法相比,算法在去除噪音同时保留图像细节,图像的客观评价标准峰值信噪比与结构相似度都有显著提高.
【总页数】5页(P338-342)
【作者】温海娇;文杰;王丽平;贾帅
【作者单位】南京航空航天大学理学院,江苏南京210016;南京航空航天大学理学院,江苏南京210016;南京航空航天大学理学院,江苏南京210016;南京航空航天大学理学院,江苏南京210016
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.一种基于PCNN赋时矩阵的图像去噪新算法 [J], 刘勍;马义德
2.一种新的提升小波自适应阈值图像去噪算法 [J], 李晨;王军锋
3.一种基于PCNN和自适应中值滤波的去噪方法 [J], 刘莉;谈文蓉;王燕
4.一种新的自适应多阈值小波去噪算法 [J], 户现标;王琰;任世卿
5.一种新的小波自适应阈值函数振动信号去噪算法 [J], 李红延;周云龙;田峰;李松;孙天宝
因版权原因，仅展示原文概要，查看原文内容请购买。
基于简化型PCNN的图像混合噪声滤波方法
基于简化型PCNN的图像混合噪声滤波方法
姜殿龙;赵峙江;张翠翠
【期刊名称】《应用科技》
【年(卷),期】2008(035)001
【摘要】对于被混合噪声污染的图像,考虑到图像所受混合噪声的特点,基于简化型PCNN模型对图像混合噪声进行滤波处理.阐述了脉冲耦合神经网络的运行原理.为了将PCNN模型应用到图像的混合噪声滤波,对PCNN模型进行了适当的简化,并指出了此滤波方法的特点.给出了计算机仿真实验结果,并与应用其他滤波方法得到的结果进行了比较,表明有很大的优势.
【总页数】4页(P36-39)
【作者】姜殿龙;赵峙江;张翠翠
【作者单位】哈尔滨工程大学,信息与通信学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信学院,黑龙江,哈尔滨,150001
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于PCNN的医学图像混合噪声滤波方法 [J], 樊洪斌;章才能;袁晚成;何耀;贺志明
2.基于改进PCNN的彩色图像混合噪声滤除 [J], 王成;黎绍发;何凯;涂泳秋
3.基于PCNN的彩色图像混合噪声滤除 [J], 何凯;黎绍发;王成
4.基于改进简化PCNN模型的椒盐噪声滤波方法 [J], 蒋加伏;申静;朱德正
5.基于脉冲耦合神经网络的图像混合噪声滤波方法 [J], 徐向艺;王建玺
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCNN的小波域超声医学图像去噪方法
基于PCNN的小波域超声医学图像去噪方法郭业才;王绍波【摘要】在分析小波去噪和脉冲耦合神经网络(pulse coupled neural networks,简称为PCNN)去噪优缺点的基础上,提出一种基于PCNN的小波域超声医学图像去噪方法(a method of medical ultrasonic image de-noising based on PCNN in the Wavelet Domain, 简称为PCNN-WD).该方法先对小波系数进行相应的预处理,然后应用PCNN在小波域中修改小波系数,以达到去噪的目的,并且该方法能够自动地设定阈值和修改小波系数的步长.实验结果表明,该方法可以有效地去除斑点噪声,并很好地保留图像细节和图像边缘.【期刊名称】《安徽大学学报（自然科学版）》【年(卷),期】2010(034)005【总页数】6页(P54-59)【关键词】脉冲耦合神经网络;小波变换;超声医学图像;斑点噪声【作者】郭业才;王绍波【作者单位】安徽理工大学,电气与信息工程学院,安徽,淮南,232001;南京信息工程大学,电子与信息工程学院,江苏,南京,210044;安徽理工大学,医学院,安徽,淮南,232001【正文语种】中文【中图分类】TP391.41超声医学成像因为具有对人体无损害、能够实时显示器官、成本低、使用方便等优点而成为临床医学辅助诊断的重要手段之一.然而，超声成像过程中产生的斑点噪声降低了图片的质量，使图像细节信息不易辨别，由于超声医学图像的细节信息在临床辅助诊断中起关键性作用，因此，在去除斑点噪声的同时保持超声医学图像的细节信息已成为超声医学图像领域的一个重要研究课题.脉冲耦合神经网络 (pulse coupled neural network, 简称为PCNN)是一种不同于传统人工神经网络的新型神经网络，PCNN有着生物学的背景，是根据对动物的大脑视觉皮层同步脉冲发放所获得的实验结果建立起来的一种神经网络数学模型，PCNN在图像处理中的应用已经取得显著成果[1-5].目前，PCNN主要用于对椒盐噪声进行去噪，这是因为PCNN是基于图像灰度的，每次迭代检测时总是找到最大灰度值的位置，然后利用相应的滤波方法将该点滤除，该方法不会给周围的像素带来新的污染及造成图像边缘模糊，并且其执行时间短，特别适合实时显像.但对于受斑点噪声污染的图像，由于PCNN不能确定噪声的准确位置，并且不能准确设定阈值，其去噪效果不理想.小波变换被认为是用于恢复信号的一种有效工具，小波变换的长处在于它能够生成含有输入信息显著特性的系数并且能够对信号进行由粗及精的逐级多分辨率分析，其处理后图像的信噪比高，但现有的各种基于小波的去噪算法在某种程度上都会造成图像的边缘模糊[6].对超声图像来说，边缘模糊会影响对病变的正确诊断.基于以上分析，作者提出一种基于PCNN的小波域超声医学图像去噪方法，其优点在于通过PCNN来识别噪声系数，并对其进行修改，减小噪声.该方法首先对噪声图像进行对数变换和小波变换，并对小波系数进行相应的预处理；其次，应用PCNN方法处理小波系数，再对小波系数进行相应的后处理；最后，对处理后的小波系数进行小波逆变换和指数变换得到去噪图像.实验仿真结果表明，该方法不仅能有效地去除斑点噪声，而且能够很好地保留图像的边缘和细节信息.1 斑点噪声对超声图像进行去噪，首先要建立斑点噪声模型.在不同的成像系统中，斑点噪声对成像的影响表现不同，不过已经证明斑点噪声是由于成像系统内的波束产生的，有共同的噪声模型[7].假设I为噪声图像，S为原始图像，ηm(m表示乘性)为乘性噪声，ηa(a表示加性)为加性噪声，则噪声图像模型可以写为：I(i,j)=S(i,j)·ηm(i,j)+ηa(i,j), (i,j)∈Z2，(1)式中：i和j分别表示行和列，下同.通常加性噪声对超声图像的影响很小，因此，可以忽略ηa，则式(1)可以改为：I(i,j)=S(i,j)·ηm(i,j)，(2)对式(2)两边取对数变换，将乘性噪声变为加性噪声，即：log I(i,j)=log S(i,j)+log ηm(i,j)，(3)将式(3)写为：f(i,j)=g(i,j)+ο(i,j)，(4)式中：f(·)、g(·)和ο(·)分别表示I(·)、S(·)和ηm(·)的对数；ο为白噪声，这样就可以用处理加性噪声的方法来处理斑点噪声，如小波去噪.2 PCNN图1 PCNN单个神经元模型Fig.1 Single neuron model of PCNN2.1 PCNN模型作为实时显像系统，超声成像对计算量的要求比较高，因此作者采用计算量相对较小的简化PCNN模型，简化PCNN单个神经元模型[8-9]，如图1所示.其神经元按(5)～(9)式进行迭代计算.Fij[n]=Sij,(5)Lij[n]=∑WijklYkl[n-1],(6)Uij[n]=Fij[n](1+βLij[n]),(7)(8)Eij[n]=exp (-αE)Eij[n-1]+VEYkl[n-1],(9)式中:n为迭代次数；Fij[n]、Lij[n]分别为第(i,j)个神经元第n次迭代时的反馈输入和连接输入；Sij为外部输入刺激信号；β为突触之间连接强度常数；Uij[n]为内部活动项；Eij[n]为动态阈值；Yij[n]为PCNN脉冲输出；内部连接矩阵Wijkl为Lij[n]中Ykl[n-1](k表示行，l表示列)的加权系数；VE为Eij[n]的幅度常数；αE为衰减系数.2.2 PCNN去噪模型图2 PCNN降噪算法流程图Fig.2 Flowchart of PCNN de-noise algorithm在用PCNN进行图像处理时，将一个二维PCNN网络的M×N个神经元分别与二维输入图像的M×N个像素相对应，在第一次迭代时，神经元的内部活动项就等于外部刺激Sij，如Sij大于阈值，这时神经元输出为1，为自然激活，此时其阈值Eij[n]将急剧增大，然后随时间指数衰减.在此之后的各次迭代中，被激活的神经元通过与之相邻神经元的连接作用激励邻接神经元，若邻接神经元与前一个迭代激活的神经元所对应的像素具有相似强度，则邻接神经元容易被捕获激活，反之不能被捕获激活.因此，利用某一神经元的自然激活会触发其周边相似神经元的集体激活，产生脉动输出序列Y[n]，且它们形成了一个神经元集群，从而可实现对噪声的识别，再对噪声进行处理.PCNN通过修改灰度值去噪的模型[8]如图2所示.3 图像的小波变换3.1 图像的小波分解和重构Mallat在Burt和Adelson的塔形图像分解和重构算法的启发下，提出了小波变换Mallat快速算法.若设H(低通)和G(高通)为两个一维镜像滤波算子，其下标m和n分别对应于图像的行和列，则按照二维Mallat算法，在尺度j-1上有如下的Mallat分解公式：(10)式中:Cj(j表示分解尺度，下同)分别对应于图像Cj-1的低频成分、垂直方向上的高频成分、水平方向及对角方向上的高频成分.与之对应的二维图像的Mallat重构公式为:(11)式中:H*、G*分别为H、G的共轭转置矩阵.3.2 小波去噪思想信号经小波变换以后，信号的能量集中于少数幅值较大的小波系数上，而噪声能量则分布于大部分幅值比较小的小波系数上.利用小波变换的这一解相关性质，可以方便地修改小波系数[10].通过选取合适的阈值，将小于阈值的小波系数置零，而保留大于阈值的小波系数，再进行小波重构，得到滤波后的信号.小波阈值去噪的方法主要有硬阈值法、半软阈值法和软阈值法，其中硬阈值法保持细节效果较好，软阈值法则有更好的平滑作用，半软阈值法则克服了软阈值法与硬阈值法的缺点，是两种方法的折衷形式，因此，文中采用半软阈值法作为对比方法.4 基于PCNN的小波域超声医学图像去噪方法基于以上分析，采用小波去噪和PCNN去噪的思想，文中提出了基于PCNN小波域斑点噪声去除方法.该方法的思想是：利用小波变换的解相关性，使噪声与信号分离，应用PCNN修改灰度值的方法来识别并修改小波系数，达到去噪的目的.以单层小波分解为例来说明PCNN-WD方法，其具体过程如下：(1) 对噪声图像进行对数变换，使斑点噪声变为加性噪声，即白噪声；(2) 对对数图像进行单层小波分解，确定小波阈值δ，提取小波系数绝对值的最大值Wmax ，同时提取高频系数的符号建立符号矩阵sign(H)、sign(V)和sign(D)，分别对应于水平、垂直和对角方向的高频系数矩阵；(3) 对高频系数矩阵进行绝对值变换，得到绝对值矩阵abs(H)、abs(V)和abs(D)，利用Wmax 减去各绝对值矩阵得到新矩阵H、V和D，使绝对值矩阵的最小小波系数变为最大值、最大值变为最小值；(4) 初始化Ykl[0]、Eij[0]与β，令VE等于Wmax -δ，步长Δ设为域值δ的倍数，对H、V和D进行PCNN处理，对满足条件的小波系数增加Δ来改变小波系数(因为这里采用的是逆向处理的方法)，如果增加后的小波系数超过最大值Wmax ，令小波系数为Wmax ；(5) 利用Wmax 减去处理后的H、V和D得到新的绝对值矩阵abs(H)、abs(V)和abs(D)，将符号矩阵sign(H)、sign(V)和sign(D)分别同新的绝对值矩阵abs(H)、abs(V)和abs(D)进行向量相乘，得到处理后的小波系数；(6) 对处理后的小波系数进行小波逆变换和指数变换得到去噪图像.5 实验仿真及结果分析经过多次实验，该文方法参数选用Wijkl=[0.5 1 0.5;1 0 1;0.5 1 0.5]，β=0.1，αE=0.1，VE=1.2*(Wmax -δ)，步长Δ=b·δ，其中b的取值要根据迭代次数而定，b过小去噪效果不明显，过大容易造成图像模糊.在该文中对所有实验都是进行10次迭代，b=0.45，这里是为了显示该方法具有通用性.如果想要得到对不同噪声处理的更好的结果，可以在噪声大时适当地减小b和增加迭代次数，噪声小时，可适当地增加b和减小迭代次数，并按上述方法进行二次小波分解处理图像.该文所有实验是在Matlab7.0环境下编程实现的，并且采用峰值信噪比(PSNR)和边缘保留评价系数ρ作为评价标准，其中:(12)式中:fi表示原图像像素值，为去噪后图像的像素值，N表示图像的像素点的总个数.边缘保留评价参数ρ定义为:(13)式中:分别是对原图像f和去噪后图像经过3×3的Laplacian算子边缘抽取得到的结果，通过对膀胱肿瘤图像添加不同方差的斑点噪声作为实验图像，将PCNN-WD方法与PCNN和中值滤波的混合去噪方法[9](PCNN-1)、PCNN和修改灰度值的混合去噪方法[9](PCNN-2)、小波半软阈值法进行比较，处理结果如图3所示.图3 各种方法去噪结果Fig.4 De-noise results of all methods对膀胱肿瘤图像添加噪声方差σ=0.01时，各种方法去噪结果如图4所示.对不同的肿瘤图像添加方差为σ=0.01的噪声，各种方法处理的结果比较，如表1所示.图4 不同方法对膀胱肿瘤图像滤波结果Fig.4 Filtering results of bladder tumor image using different method表1 对不同的肿瘤图像，各种方法处理结果比较Tab.1 Analyzing results of each method to different bladder tumor image指标肿瘤1肿瘤2肿瘤3肿瘤4PSNRρPSNRρPSNRρPSNRρPCNN-175.94710.556576.69680.660072.90830.527779.87250.6814PCNN-274.94040.541376.70240.679868.18930.528981.63430.6976小波去噪80.04050.540481.55850.703177.76050.548284.91030.6850PCNN-WD81.03480.575082.54190.717278.39130.571486.30870.7127图4表明，PCNN-WD同小波去噪方法相比，去噪后图像的边缘更清晰，图像细节信息得到更好的保留，整体视觉效果更好，更接近原图像；PCNN-1方法虽能很好地保留图像的边缘，但对噪声的滤除不理想，并且造成部分细节丢失(因为PCNN不能准确判断噪声位置)；PCNN-2处理后的图像不但噪声未能被去除，而且整体灰度值减小，导致图像过暗.但是PCNN-WD方法在将小波方法和PCNN方法结合时，必然会增加计算的复杂度，这里将各种方法处理噪声方差为σ=0.01的膀胱肿瘤图像的平均计算时间作一比较，如表2所示.表2 各种方法的平均运行时间 sTab.2 Running average time of each methods 方法PCNN-1PPCNN-2小波去噪PCNN-WD时间16.353.761.115.12从表2的数据可以看出，虽然PCNN-WD方法的去噪效果比小波半软阈值方法好，但这是以增加时间复杂度为代价的.PCNN-1要对噪声点的3×3邻域进行局部中值滤波，即对每个像素的邻域元素求中值，而PCNN-WD方法是直接同通过修改小波系数进行去噪，所以运算时间比PCNN-1要小；但同PCNN-2方法相比，由于增加了小波变换和相应的预处理，使得运行时间变长.总之，通过对降噪结果的分析，PCNN-WD方法明显优于PCNN-1、PCNN-2、和小波半软阈值方法，运算时间同样优于PCNN-1方法，但比小波方法要长.通过多次实验表明，图像细节信息和边缘信息越丰富，该方法的优势越明显.如果想要得到更理想的图像，可通过改变修改步长和迭代次数实现.6 结语PCNN为当前国际上智能信息处理的最新研究领域之一，它是一个极其复杂的非线性系统的模型，目前它的理论研究仍处于发展阶段.通过分析斑点噪声、小波去噪和PCNN的特点，提出一种小波域的PCNN超声医学图像去噪方法，该方法同小波半软阈值方法、PCNN-1、PCNN-2相比，去噪后图像的边缘更清晰，并且能够更好地保留图像细节和提高信噪比；但与小波半软阈值方法相比，是以牺牲运算时间为代价的；然而，随着计算速度的大幅提升，时间开销大一点已不是主要问题.参考文献：[1] Kuntimad G, Ranganath H S. Perfect image segmentation using pulse coupled neural networks[J].IEEE Trans，Neural Networks,1999,10(3):591-598.[2] Johnson J L, Padgett M L. PCNN models and application[J].IEEE Trans Neural Networks,1999,10(3):480-498.[3] 李敏,蔡骋,谈正.基于修正PCNN的多传感器图像融合方法[J].中国图象图形学报，2008，13(2):284-290.[4] 马义德,史飞,李廉,等.一种基于脉冲耦合神经网络的脉冲噪声滤波器设计[J].生物医学工程学杂志,2004,21(6):1019-1023.[5] 于江波,陈后金.PCNN模型的改进及其在医学图像处理中的应用[J].电子与信息学报,2007,29(10):2316-2320.[6] 田勇,郭建征,马义德，等.小波变换与PCNN在图像处理中的比较与结合[J].甘肃科学学报,2006,12(4):53-55.[7] 陈兴杰，柴晓冬.一种基于简化PCNN的红外图像分割方法[J].安徽大学学报：自然科学版，2010，34(1)：74-77.[8] 马义德.脉冲耦合神经网络与数学图像处理[M].北京：科学出版社，2008：1-50.[9] 石美红，张军英，朱欣娟，等.基于PCNN的图像高斯噪声滤波的方法[J].计算机应用，2002，22(6)：1-4.[10] 李虹,王惠南,董海艳，等.基于小波变换的血管内超声图像血流斑点噪声抑制研究[J].生物医学工程学杂志,2008,25(2):313-317.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａ ｗ ｍ ｐｕ ｓ ｉｅ Ｆｉｔ ｒ Ａｌ ｏ ｉｈｍ ｓ ｄ Ｎｅ Ｉ ｌｅ Ｎｏ ｓ ｌｅ ｇ ｒ ｔ Ｂａ ｅ ｏ ｒ ａ ｉ ｍ ａ ｅ ｏ ｎ Ｆｉ ｅ’ Ｍ ｐｐ ｎｇ Ｉ ｇ ｆ ＰＣＮＮ
Ｌ Ｇｕ —ｕ， ＡＮＧ ｎ ＤＯＵ — ｎ Ｕ ｉ ｆ Ｗ Ｙｏ ｇ， Ｙｉ ｗｅ
（ ｅ ａｔ ｎ ｆ ｏ ｐ ｔ ｃ ｎｅ ｎ ｎ ｉ ｅ ｎ ， ｎ ｕ Ｕｎｖｒｉ ｆ Ｄ ｐｒ ｍｅ ｔ ｍ ｕｅ Ｓ ｉ ｃ ｄＥ ｇｎ ｒ ｇ Ａ ｈ ｉ ｉｅ ｔ ｏ ｏＣ ｒ ｅ ａ ｅｉ ｓｙ
Ｔ ｃ ｎｌ ｙａ ｄＳｉ ｃ ， ｕ ｕ ４ ０ ０ Ｃ ｉａ ｅｈ ｏ ｇ ｎ ｃ ｎｅＷ ｈ １０ ，ｈｎ ） ｏ ｅ ２
Ａｂ ｔａ ｔＩ ｒ ｅ ｏ ｆｔｒｔ ｅｉ ｕｓ ｏｓ ｅｙｗｅｌｔ ｅｆ ｅ—ｍａ ｐｎ ｇ ｓｉｔｏ ｃ ｄｉｔ ｓｒ ｃ ：ｎ ｏｄ ｒｔ ｉ ｅ ｈ ｌ ｍｐ ｌｅｎ ｉ ｖ ｒ ｌ，ｈ ｉ ｅ ｒ ｐ ｉｇｉ ｍａ ｅｉ ｎｒｄｕ ｅ ｎｏＰＣＮＮｓｂ ｓｄｏ ｈ ａｅｕ ｎ ｌｓｓｏ ａｅ ｎ ｔｅｃｒ ｆｌ ａｙ ｉ ｆ ａ Ｐ ＣＮＮ ’ ｐ ｒｔｏ ｃ ａ ｉｍ ， ｄａｎ ｗ ｍｐ ｌ ｏｓ ｌｅ ａ ｄｏ ｉｅ—ｍａ ｐｎ ｍｓ ｅｏ ＣＮＮ ｒｓｎｔｄ Ｆｉｓｌ ｔｅ ｐｏ ｏ ｅ ｓｏ ｅ ａｉｎ ｍｅ ｈ ｎｓ ａ ｅ ｉ ｕｓ ｎ ｉ ｆｔｒｂｓ ｎ ｆ ｎ ｅ ｅ ｉ ｅ ｒ ｐ ｉｇ ｉ ｇ ｆＰ ｉ ｐ ｅｅ ｅ ｓ ｒｔ ｈ ｒ ｐ ｓｄ ｙ．
点 火映射 图的概 念 ， 提 出了一 种新 的基 于 Ｐ ＮＮ点 火 映射 图的 图像脉 冲噪声 滤波器 。该方 法 首先 通过 运行 Ｐ Ｎ 并 Ｃ Ｃ Ｎ把 噪 声图像转 化为点 映射 图 ， 后 利用点火 映 射 图对 图像 中 的脉 冲噪声 进 行 定 位 ， 戈 然 最后 仅 对 定 位 的噪 声 进 行 自适 应 滤 波。
方法 ， 其基本 思想是首先利 用 Ｐ Ｎ 判断 出某像素点 Ｃ Ｎ
的工作 。传统 的滤波方 法有 以局部平均法为代表 的线 性滤波和 以中值 算法 ［ 为代表 的非线性滤波 。均值算 １ ］ 法对脉 冲噪声 的滤 波效果不 理想 ， 中值 滤 波虽然 能去
除噪声 ， 但它对 图像 的边缘保持能力不理 想 ， 图像 的 使
维普资讯
第 ｌ ７卷 第 ｌ ２期 ２０ ０ ７年 ｌ ２月
计 算 机 技 术 与 发 展
Ｃ０ＭＰＵ丁ＥＲ ＴＥＣＨＮＯｌ Ｙ ＡＮＤ ＤＥＶＥＬ ０ＰＭ［ ＥＮＴ
ｖ（ ． ７ Ｎｏ １ ） １ １ ．２ Ｄｅ ． ２ ０ ｃ ０７
一
种 新 的基 于 Ｐ ＣＮＮ 的 图像 脉 冲 噪声 滤 波算 法
卢桂 馥 ， 王 勇， 窦易文
■徵工程科技 学院 计 算机 科 学与 工程 系， 安徽 芜湖 ２ １ ０ ） ４ ０ ０
摘Байду номын сангаас
要 ： 了更好 地滤 踩 图像 中的脉 冲噪声 ， 分析 脉 冲祸 合神 经 网络 （ Ｃ Ｎ） 为 在 Ｐ Ｎ 的工作 机 理 的基 础 上 ， Ｐ Ｎ 在 Ｃ Ｎ中 引人 了
效果。因而对其 抑制处理是 图像处理 中一项非 常重 要
ｈｍ 为解释在猫 的大脑视觉 皮层 中实验所观察到的与 ｏ
特征有关 的神经元 同步行为现象 而提 出的 。Ｐ Ｎ 的 ＣＮ 这个生 物学背景使它 在 图像 处理 中具有先 天的优 势 ， 有着 与传统方法进行 图像处理所无法 比拟的优越性 。 在文献 ［ ］ ５ 中提 出了一种基 于 Ｐ Ｎ 的噪声滤除 ＣＮ
计算 机仿 真 寓 魅■明 ， 该方法 的去 噪效果 优 于传统方 法 ， 验证 了该方 法的有 效性 、 从而 合理性 。
关键词 ： 冲耦台 神经 网络 ； 球 点火 映射 图 ； 图像滤 波 ； 冲噪声 脉
中图分 类号 ： Ｐ ９ ； Ｐ ０ ． Ｔ ３ １Ｔ ３１６ 文献 标识 码 ： Ａ 文章 编号 ：６ ３ ２ Ｘ ２ ０ ）２ ｏ ３ ｏ １ ７ —６ ９ （ ０ ７ １ —０ ８ 一 ３
．
ａｇ ｒｔｍ ｏ ｖ ｒｓｔ ｅｃ ｒｕ ｔｄ ｉ ｇ ｎｏ ｆ ｅ ｍａ ｐｎ ｉ ｇ ｅ ｌｏ ｉｈ ｃ ｎ ｅｔ ｈ ｏ ｒ ｐ ｅ ｍａ ｅｉｔ ｉ — ｒ ｐ ｉｇ ｍａ ．Ｔｈ ｎ，ｈ ｍｐ ｌ ｏｓ ｉ ｏ ｎ ｏｒｃｌ ｅ ｔｅｉ ｕｓ ｎ ｉ ｓｆｕ ｄ ｃｒｅ ｔ ｅ ｅ ｙｗ ｉ ｔｅｆ ｅ—ｍａ ｐｉｇｉ ｔ ｈ ｉ ｈ ｒ ｐ ｎ ｍ，
细节变模糊 。
是否为噪声 ， 如为噪声则按 照预设的步长修改噪声点 ，
直到同步为止。但这种 方法其 步长的选择对滤波效果
影响较大 ： 步长太大 ， 则不 能有效 地去 除噪声 ； 步长太
ｇ Ａｔｌｓ ，ｈ ｏ ｍ ｔｄ ｍａ ｓｆ ｔｒｄ ｕ ｉｇａ ｄ ｐ ｉｅｍｅｈ ｄ． ｍｕａｉｎｒｓ ｈ ｈ ｗ ｔａ ｈｉａｇ ｒｔｍ ｏ ｐ ｒｏ ｍｓｔ ｅｏｈｅ ａ— ａ ｅ． ａｔ ｔ ｅｃ ｒ ｐｅ ｉ ｇ ｅｉ ｉｅｅ ｓｎ ｎａ ａ ｔｖ ｌ ｔ ｏ Ｓｉ ｌｔ ｅｕ ｓｓ ｏ ｈ ｔｔ ｓ ｌｏ ｉ ｏ ｈ ｕｔ ｆｒ ｅ ｈ ｔ ｒｌ
ｇ ｉ ｓ ｏｒ ｈ ． ｔ ｍ
Ｋｅ ｒ ｓ ＰＣＮＮ ；ｉｅ—ｍａ ｐｎ ｇ ｅ； ｇ ｅｆｔｒ ｉ ｕｓ ｏｓ ｙｗｏ ｄ ： ＇ ｆ ｒ ｐｉ ｉ ｇ ｍａ ｉ ｍａ ｉ ｅ ；ｍｐ ｌ ｎ ｉ ｌ ｅ ｅ
Ｏ 弓 言 Ｉ
在数字 图像 的获取 传输过 程 中， 感器 和传输 信 传 道经常会 产生一些脉冲噪声［ 。噪声 去除的好坏会 直 接影响到图像分割 、 边缘检测 、 特征提取等后续处理 的