基于PCNN和最大相关准则的图像分割算法
基于PCNN图像分割算法研究
本科毕业设计论文题目基于PCNN图像分割算法研究专业名称自动化学生姓名指导教师毕业时间2014.6毕业设计任务书论文一、题目基于PCNN的图像分割算法研究二、指导思想和目的要求本题目来源于科研，主要研究图像分割的概念，学习常用的图像分割算法，重点研究PCNN在图像分割中的应用，进而实现相关算法。
希望通过该毕业设计，学生能达到：1．利用已有的专业知识，培养学生解决实际工程问题的能力；2．锻炼学生的科研工作能力和培养学生团队合作及攻关能力。
三、主要技术指标1．学习PCNN的基本原理；2．研究图像分割的常用算法；3．研究PCNN在图像分割中的应用并编程实现。
四、进度和要求第01周----第02周：参考翻译英文文献；第03周----第04周：学习图像分割的概念；第05周----第08周：研究PCNN的概念及其分割算法；第09周----第14周：编写给予PCNN的图像分割算法程序；第15周----第16周：撰写毕业设计论文，论文答辩。
五、主要参考书及参考资料1. 马义德. 脉冲耦合神经网络与数字图像处理. 科学出版社2. 陆科. 基于PCNN的图像分割算法研究. 东北大学硕士学位论文.3. 杨林森. 基于脉冲耦合神经网络的图像分割与融合研究. 电子科技大学硕士学位论文.学生指导教师系主任摘要目前，在军事领域数字图像处理的应用越来越广泛，而图像分割是图像处理的一个重要组成部分，准确的图像分割和边缘提取是实现军事目标识别的重要基础，图像分割的方法繁多，新的分割方法不断出现。
文中主要介绍了图像分割的定义，图像分割的应用，以及一些常用的图像分割算法，并且对传统脉冲耦合神经网络（PCNN）模型，工作原理，应用背景和意义，及应用于图像分割进行了细致的介绍。
文中介绍的图像分割主要算法有最大类间方差法，最大熵图像分割，以及基于PCNN图像分割法，文中主要是针对二维灰度图像进行分割比较，通过以上三种分割方法对图像的处理，对分割后的图像进行比较，看分割后目标和背景的效果，来体现基于PCNN图像分割方法的优越性。
基于最大交叉熵的PCNN简化模型在图像分割中的应用
ｍｏ ｅ ａ ｅ ｎ ｒ ｔ ｎ ｌ ｉ ｌ ｅ ． Ｔ ｅ ｅ ｐ ｒ ｎ ｅ ｕ ｓ ｐ ｏ ｅ ｔ ａ ｈ Ｃ ｄ ｌｂ ｓ ｄ ｏ ｈ ｄ ｌ ｓ ｂ ｅ ａ ｉ ａｌ ｓｍｐ ｉ ｄ ｈ ｏ ｙ ｉ ｆ ｈ ｘ ｅ ｍｅ ｔｒ ｓ ｈ ｒ ｖ ｈ ｔ ｔ ｅ Ｐ ＮＮ ｍｏ ｅ ａ ｅ ｎ ｔ ｅ ｉ ｍａ ｒ ｓ ｎ ｒ ｐ ｒ ｅ ｏ ａ ｓ ｔｒ ｔ ｅ ｔ ｓａ ｄ ｂ ｔ ｒｉ ｇ ｅ ｅ ｔ ｔ ｎ ｅ ｅ ｔ ａ ｈ ｎ ｅ ｘ ｃｏ ｓ ｅ ｔ ｙ ｃ ｔｒ ｎ ｈ ｓ ｌ ｓｉ ａｉ ｉ ｎ ｅｔ ｏ ｉ ｉ ｅ ｅ ｖ ｍｅ ｅ ｍａ ｅ ｓ ｇ ｎ ａｉ ｆ ｃｓ ｔ ｎ ｔ ｅｏ ｅ ｓ — ｍ ｏ ｈ
脉冲耦合神经 网络 Ｐ Ｎ （ ｕ ｅ ｏｐ ｄＮ ｕ ｌ Ｃ Ｎ Ｐ ｌ — ｕｌ ｅｒ ｓＣ ｅ ａ Ｎ ｔｏ ） ｅ ｒ 是根据 Ｅ ｋｏ 等人对哺乳动物 的视觉皮 ｗｋ ｃｈｍ 层神经元脉冲串同步振荡现象的研究结果 而建
立起来 的神经 网络 模 型。该模 型具有 对 图像 二维 空
文章编号 ：１０ ０ ８—２５ （ ０７ １ ０５ ０ ９６ ２ ０ ）０ — ０ ８— ４
基于最大 交叉熵的 Ｐ Ｎ ＣＮ 简化模型在图像分割中的应用
夏辉 ，穆 希辉 ，马振书 ，兰箭 ，杜峰坡
基于多尺度空间PCNN模型的图像分割算法
２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｍａ ｒ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｂ ｅ ｉ ｊ ｉ ｎ ｇ Ｊ ｉ ａ ｏ ｔ ｏ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ４ ４ ， Ｃ ｈ ｉ ｎ ａ ）
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｃ ｏ ｍｍｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｎ ｏ ｒ ｔ ｈ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｃ ｈ ｉ ｎ ａ ， Ｔａ ｉ ｙ ｕ ａ ｎ Ｓ ｈ ａ ｎ ｘ ｉ ０ ３ ０ ０ ５ １ ， Ｃ ｈ ｉ ｎ ａ ；
ｏ ｆ ｉ ｍａ ｇ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｗｈ ｉ ｃ ｈ ｕ ｓ ｅ ｓ ｐ ｕ ｌ ｓ ｅ ｃ ｏ ｕ ｐ ｌ ｅ ｄ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ ｔ ｏ ｓ ｉ ｍｕ ｌ ａ ｔ ｅ ｈ ｕ ｍａ ｎ ｖ ｉ ｓ ｉ ｏ ｎ ， ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ Ｐ ｅＮＮ ｍｏ ｄ ｅ ｌ ｃ ａ ｎ’ ｔ ｍｅ ｅ ｔ ｔ ｈ ｅ ｓ ｃ ａ ｌ ｅ ｃ ｈ ａ ｎ ｇ ｅ ｎ ｅ ｅ ｄ ｓ ｆ ｏ ｒ ｉ ｍａ ｇ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｂ ｅ ｃ ａ ｕ ｓ ｅ ｏ ｆ ｔ ｈ ｅ ｆ ｉ ｘ ｅ ｄ ｖ ａ ｌ ｕ ｅ ｓ ｉ ｎ
基 于多尺度空 间 Ｐ Ｃ ＮＮ模 型 的 图像 分 割算 法
杨 娜 ， 陈后 金２ ， 郝 晓莉２ ， 李艳凤２
（ １ ． 中北 大学 电子 与通信工程学 院 ， 山西 太原 ０ ３ ０ ０ ５ １ ； ２ ． 北京交通大学 电子信息 工程 学院 ， 北京 １ ０ ０ ０ ４ ４ ）
一种基于PCNN的参数自适应图像分割方法
脉 冲耦 合神 经 网 络 （ Ｐ Ｃ Ｎ Ｎ —Ｐ ｕ ｌ ｓ ｅ Ｃ ｏ ｕ ｐ ｌ ｅ ｄ
Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ） 模 型 是 直接 来 自于 对 哺乳 动物 视
觉特 性研 究 的成果 ， 目前 在 图像 模式识 别方 面得 到 了广 泛 的应 用 Ｊ 。对 于 图像 分 割 ， Ｐ Ｃ Ｎ Ｎ模 型 具 有 能缩小 相似像 素点 距离 的特性 ， 使 目标 与背景 区 域都 能保 持较好 的连 续性 ， 这与 其他 图像分 割算 法
分 组成 ， 各 组成 部分 可 以用 数学 方程 描述 如下 ：
的灰度均值重复迭代来确定其较合适的阈值 ， 该方 法无 需确 定迭 代次数 ， 但 其 只对 迭代 阈值 进行 了分
析， 而没 有对 其它参 数进 行 有效 确 定 。文 献 ［ ６ ］ 提 出的利用 图像 本身 特性 信息 自适应设 置 参数方 法 ， 该 方法 对不 同 图像 具有 较强 的适用性 ， 但 是需对 每 个像 素 点都 要 计 算其 连接 强 度 参 数 口， 计算量大，
型参数 自动 确 定。仿 真 实验 表 明 ， 该 方法可 有效地 对 不 同图像 进 行 自适 应 分割 ， 与 传统 的 Ｐ Ｃ Ｎ Ｎ
图像 分割 方 法相 比具 有一 定的优越 性 。
关键 词 ： 参 数确 定 ； 自适应 ； 图像 分割 ； 脉冲耦 合神 经 网络 ； 类间方 差
中图分类 号 ： Ｔ Ｐ １ ８ ３ 文献 标识码 ： Ａ
影 响分 割速度 。针对 Ｐ Ｃ Ｎ Ｎ进行 图像 分 割 时 需 对 参 数进 行有效 确定 的 问题 ， 从模 型各 参数 的特性 和
Ｆ ［ ｎ ］＝
（ １ ）
PCNN和最大相关准则相结合的图像分割方法
Ｋｅ ｒ ｓ ｍａ ｅ ｓｇ ｅｔ ｉｎ Ｐ ｌ ｏｐｅ ｕａ Ｎｅ ｏｋ Ｐ ＮＮ） ｍａｉ ｌｃｒ ｌ ｉｅｃ ｔ ｉｎ ｙ ｗｏｄ ：ｉ ｇ ｅ ｎ ｔ ；ｕｓ Ｃ ｕ ｌｄＮｅ ｌ ｔ ｒ （ Ｃ ｍ ａ ｏ ｅ ｒ ｗ ； ｘｍａ ｏ ｅａ ｖ ｒｅ ｏ ｔ ｉ ｒ
Ｃ ｍ ｕｅ ｎ ｉｅｒ ｇａ ｄ ｐ ｌａｉｎ 计算机 工程 与应 用 ｏ ｐ ｔ Ｅ ｇｎ ｅｉ ｎ Ａ ｐｉ ｔ ｓ ｒ ｎ ｃ ｏ
ＰＮ Ｃ Ｎ和最大相关准则相结合的图像分割方法
邓成锦 ， 聂仁灿， 周冬明， 赵东风
Ｄ ＮＧ Ｃ ｅ ｇｉ ， Ｅ Ｒ ｎ ａ ， ＨＯ Ｄｏ ｇ ｎ ， ＨＡＯ Ｄ ｎ ｆｎ Ｅ ｈ ｎｊ ＮＩ ｅ ｃｎ Ｚ Ｕ ｎ ｍｉｇ Ｚ ｎ ｏ ｇｅ ｇ
Ｄ ＮＧ ｅ ｇｉ ， Ｅ Ｒｅ ｃｎ， ＨＯＵ Ｄｏ ｇ ｎ ’ ｔ ａ・ ｇ ｅｍｅ ｔｔ ｎ ｌｏ ｉ ｍ ｏ ｉｅ Ｐ Ｎ ｔ ｘｍａ Ｅ Ｃｈ ｎ ｊ ＮＩ ｎ ａ Ｚ ｎ ｎ ｍｉｇ ｅ ｌ ｍａ ｅ ｓｇ ｎａ ｏ ａｇ ｒ ｈ ｃ ｍｂｎ ｄ ＣＮ ｗｉ ｍａ ｉ ｌ Ｉ ｉ ｔ ｈ ｃｒｅａ ｖ ｒｔｒ ｎＣｏ ｕｅ ｎ ｉｅ ｒ ｇ ａ ｄ Ａ ｐ ｃｔ ｎ ，０ １４ （ ４ ：７ —７ ． ｏｒｌｔ ｅｃｉ ｉ ． ｍｐ ｔｒＥ ｇｎ ｅｉ ｎ ｐ ｌ ａｉ ｓ２ １ 。７ １ ） １７１ ９ ｉ ｅｏ ｎ ｉ ｏ Ａｂｔａ ｔ Ｐ ｌ ｕ ｌｄ ＮｅｒｌＮｅ ｒ （ Ｃ Ｎ） ｉ ａ ｎ ｗ ｇｎ ｒｔ ｎ ｗｈｃ ａ ｉｌｇｃｌｂ ｃ ｇｏ ｎ ｆａｔ ｃ ｌｎ ｕ ｓ ｃ： ｕｓ Ｃｏｐｅ ｕａ ｒ ｅ ｔ ｋＰ Ｎ ｗｏ ｓ ｅ ｅ ｅａｉ ｉｈ ｈｓ ａ ｂｏｏ ｉａ ａｋ ｒｕ ｄ ｏ ｒｆ ｉ ｅ－ ｏ ｉ ａ ｉ
基于PCNN图像分割新算法
基于PCNN 图像分割新算法林庆超,黎 英,郑惠琴,彭 娜,张英华,杨丕华(云南大学信息学院 云南昆明 650091)摘 要:在原有PCNN 的基础上提出一种新的参数自适应PCNN 模型,该模型中的各参数均由像素点本身决定,而不受人为的外界干涉,因此,该算法在图像处理领域有较好的运用价值。
此外提出另一类分割判定准则———最大相关系数判定准则。
最后通过对3种不同的图像分割实验结果分析后得出。
该算法和最大相关系数判定准则在图像分割领域中具有较强的适应性和较好的辅助意义。
关键词:参数自适应PCNN ;最大相关系数;图像分割;分割算法中图分类号:TP391 文献标识码:B 文章编号:10042373X (2008)182154203N e w Algorithm of Image Segmentation B ased on PCNNL IN Qingchao ,Li Y ing ,ZH EN G Huiqin ,PEN G Na ,ZHAN G Y inghua ,YAN G Pihua(Information College ,Yunnan University ,Kunming ,650091,China )Abstract :Based on the original PCNN model ,this paper proposes a novel parameters adaptive PCNN model ,in which all parameters are decided by pixel itself other than jamming in this model.The algorithm of the model has a great value in practi 2cal applications.Another segmentation criterion 2Maximum Correlation Coefficient Criterion is also proposed in this paper.Based on the three different image segmentation results ,this paper finally shows that the proposed algorithm and maximum correlation coefficient have significant application and assistance in image segmentation processing.K eywords :parameters adaptive PCNN ;maximum correlation coefficient ;image segmentation ;segmentation algorithm收稿日期:20082012161 引 言图像分割是图像分析和处理的重要步骤和技术,其目的是将图像分成具有某种特征差异的不同区域。
基于PCNN和最大灰度熵图像分量的彩色图像分割
基于PCNN和最大灰度熵图像分量的彩色图像分割李建兵;李立【摘要】为提高彩色图像的分割效果,提出了一种最大灰度熵图像分量和脉冲耦合神经网络(PCNN)相结合的彩色图像分割方法.将彩色图像转换到符合人眼视觉特征的色调饱和度亮度(HSV)颜色空间中,选取灰度熵值最大的分量图像,用PCNN增强以增大感兴趣区域对比度,对增强后的分量图像运用PCNN进行循环分割,当二维Renyi熵值不再大于前一次的值时,终止PCNN的循环分割,获得最佳分割结果.运用多种评价指标对所分割的结果进行评价,评价结果表明:提出的算法能够有效实现对彩色图像的分割,尤其在图像细节方面,比传统的彩色图像分割方法表述得更为清晰.【期刊名称】《传感器与微系统》【年(卷),期】2016(035)008【总页数】4页(P127-129,133)【关键词】彩色图像分割;脉冲耦合神经网络;灰度熵;色调饱和度亮度颜色空间【作者】李建兵;李立【作者单位】西南交通大学机械工程学院,四川成都610031;西南交通大学机械工程学院,四川成都610031【正文语种】中文【中图分类】TP391图像分割就是将图像分割成若干个具有特定性质的区域以及提取出感兴趣区域的技术过程，图像分割质量的好坏直接影响图像处理的后续过程。
彩色图像的传统分割方法通常可以分为两类[1]:一类是将彩色图像转换为灰度图像然后利用灰度图像的分割方法进行分割，这种方法简单易于实现、效率也比较高，但彩色图像灰度化容易丢失信息。
如，文献[2]中用数学形态学的方法对彩色图像的边缘进行检测来得到其灰度梯度图，再使用迭代的最佳阈值对图像进行分割。
另一类方法即是对彩色图像的各分量信息都进行处理，最后再按照一定的准则进行组合，以此获取最终的分割结果。
如文献[3]中对红色绿色蓝色(RGB)各分量进行滤波转换到LAB(L为像素亮度，A为红色到绿色范围，B为黄色到蓝色范围)彩色空间，用分水岭方法获取封闭区域及质心，再利用模糊C均值(fuzzy C means,FCM)聚类进行分割。
一种基于PCNN和改进的OTSU的图像分割算法
图像分割［１２］是将一幅图像分成若干个独立的子 图像并获得目标图像的技术，是图像分析和处理的重 要内容，经典的分割方法有：阈值法、区域生长法、小波 分割法等。其中最有效的方法是基于灰度的阈值分 割，阈值选择是图像正确分割的关键，不正确的阈值有 可能会造成过分割或者欠分割。
脉冲耦 合 神 经 网 络 （ｐｕｌｓｅｃｏｕｐｌｅｄｎｅｕｔｒａｌｎｅｔ ｗｏｒｋ，ＰＣＮＮ）是模拟猫、猴等动物视觉神经系统的一 种人工神经网络［３］，浓厚的仿生学背景使其与传统人
犃犫狊狋狉犪犮狋：Ｔｈｅｐｕｌｓｅｃｏｕｐｌｅｄｎｅｕｒａｌｎｅｔｗｏｒｋ（ＰＣＮＮ）ｉｓｗｉｄｅｌｙｕｓｅｄｉｎｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｉｎｒｅｃｅｎｔｙｅａｒｓ．Ｈｏｗｅｖｅｒ，ｄｕｅｔｏｔｈｅ ｄｒａｗｂａｃｋｓｏｆｎｕｍｅｒｏｕｓｐａｒａｍｅｔｅｒｓ，ｃｏｍｐｌｅｘｃｏｍｐｕｔａｔｉｏｎ，ｍａｎｕａｌｄｉｓｔｉｎｇｕｉｓｈｉｎｇｆｏｒｔｈｅｎｕｍｂｅｒｏｆｉｔｅｒａｔｉｏｎｓａｎｄｔｈｅｍｅｄｉｏｃｒｅａ ｄａｐｔａｂｉｌｉｔｙｆｏｒｌｏｗｃｏｎｔｒａｓｔｉｍａｇｅｓ，ａｎｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍ ｗａｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｆｉｒｓｔ，ＰＣＮＮｐａｒａｍｅｔｅｒｓｗｅｒｅｓｉｍｐｌｉｆｉｅｄ ｔｏｓｉｎｇｌｅａｄｊｕｓｔａｂｌｅｐａｒａｍｅｔｅｒｓ．Ｔｈｅｎ，ｔｈｅｉｍａｇｅｃｏｎｔｒａｓｔａｓａｎｅｗｊｕｄｇｅｆａｃｔｏｒｗａｓａｄｄｅｄｔｏｔｈｅＯＴＳＵｄｉｓｃｒｉｍｉｎａｎｔａｌｇｏｒｉｔｈｍｔｏ
基于PCNN的人脸图像分割算法研究
并且其分割速度很快［］ 以， ２。 －所 ５ 该方法在图像处理特别是图像分割方面存在一定优势 ， 具有广阔的应用前
景。
由于 Ｐ Ｎ Ｃ Ｎ的参数 较多 ， 型 的简化 和参数 的确定 对人脸 图像 分 割至关 重 要 ， 采用 了简化 Ｐ Ｎ 模 故 ＣＮ
收 稿 日期 ： ０ １０ — ４ 修 回 日期 ： ０ １０ — ０ ２ １－ ２ ２ ； ２ １ － ３ １ 基金项 目： 江苏技术师范学院青年科研基金项 目（ 编号 ： Ｙ ０ ０ ５ ； Ｋ Ｙ ８４ ）江苏省大学生实践创新基金项 目（ 编号 ： Ｃ ００ ） Ｓ １０ ２ 作者 简介 ： 倪福银 （９ ８ ）男 ， １７ 一 ， 江苏南通人 ， 讲师 ， 硕士 ， 主要研究方向为 Ｄ Ｐ技术 与应用 、 字图像处理与识别 ； Ｓ 数 张 （９ ８ ）女 ， １ ８一 ， 江苏南京人 ， 江苏技术师范学 院电气信息工程学院 ２０ ０７级通信工程专业学生 。
的一个 基本 问题 ， 目标 特征提取 、 是 识别 与跟 踪 的基础 。
目前 ， 脸 图像 分割 方法 主要 有基 于 阈值 分割 方法 、 人 区域分 割法 、 边缘 检测 方法 、 分类 器法 和聚类 法
等， 各种相关图像分割算法的优缺点文献中已述及［ １ ］ 。脉冲耦合神经网络（Ｃ Ｎ 具有相似神经元 同步点 ＰＮ ） 火特性 ， 非常适合于各类图像的分割。 本文提出基于 Ｐ Ｎ Ｃ Ｎ的人脸图像分割方法 ， 其基本思想完全依赖于
图像 的 自然 属性 ， 该方 法不用 预先选择 处理 的空 间范 围 ， 种更 自然 的分割方式 。 过调节 神经元 的链 是一 通
接 强度 ， 可方 便地对 图像 进行不 同层次 的分 割 ， 并且其 分割速度很 陕。
基于PCNN模型的图像分割技术研究
基于PCNN模型的图像分割技术研究随着计算机科学技术的不断发展，图像处理技术已经成为了计算机应用领域中非常重要的一个方向。
其中，图像分割技术是图像处理的重要分支之一。
通过图像分割技术，可以将一幅图像上的每一个像素聚类成不同的组别，达到将图像划分为不同区域的目的。
这种技术广泛应用于医学、军事、工业等领域。
而基于PCNN模型的图像分割技术是目前比较流行的一种方法。
下面，本文将对基于PCNN模型的图像分割技术进行深入探讨。
一、PCNN模型的基本原理PCNN模型是一种生物仿真模型，它源于人们对于生物视觉系统的研究，通过模拟人类视觉系统对于图像进行辨识的过程来实现分割图像的目标。
在这个模型中，每个神经元都被看作是一个二值系统，它们在输入的图像中进行扫描，通过计算输入的像素与神经元间的权重之间的差值来决定这个神经元是否会被激活。
当神经元被激活时，它会向周围神经元释放激活信号，从而引发周围神经元的反应，最终将整个图像划分成不同的区域。
二、基于PCNN模型的图像分割流程基于PCNN模型的图像分割技术可以分为图像预处理、PCNN 神经网络模型的训练和图像分割三个基本步骤。
1. 图像预处理图像预处理是对输入图像进行预先处理以获得更好的分割结果。
在这个步骤中，图像预处理的主要任务是去噪、对比度增强和边缘检测。
常用的图像预处理方法包括高斯滤波、图像增强和边缘检测等。
2. PCNN神经网络模型的训练在实际应用中，人们往往需要训练一个可靠的神经网络模型来实现图像分割。
PCNN神经网络模型的训练需要依赖于现有的图像样本来进行，其中的参数需要在训练过程中进行调整以保证最终的分割效果。
3. 图像分割在得到训练完成的PCNN神经网络模型后，就可以利用这个模型对待分割的图像进行分析和处理了。
在这个步骤中，每个神经元对输入图像进行扫描和处理，通过激活周围神经元来实现对图像的分割。
最终，可以得到图像被分割成不同区域的结果。
三、基于PCNN模型的图像分割技术的特点基于PCNN模型的图像分割技术具备以下几个特点：1. 对于图像中的复杂区域，该方法具备很高的分割精度。
一种基于PCNN的图像分割方法
第32卷第5期光电工程V ol.32, No.5 2005年5月 Opto-Electronic Engineering May, 2005文章编号：1003-501X(2005)05-0093-04一种基于PCNN的图像分割方法王红梅, 张 科, 李言俊(西北工业大学航天学院, 陕西西安 710072)摘要：针对脉冲耦合神经网络无法确定最优分割的问题，提出了一种将脉冲耦合神经网络和类间方差准则相结合的图像分割方法。
在每次迭代时将脉冲耦合神经网络点火的神经元对应的像素作为目标，未点火的神经元对应的像素作为背景，计算目标和背景之间的类间方差，取类间方差值最大的分割图像作为最终结果。
实验结果表明该方法能获得视觉效果较好的分割结果并具有较强的普适性，对一幅大小为256×256的图像进行分割所需要的时间是0.8秒左右。
关键词：图像分割；脉冲耦合神经网络；类间方差中图分类号：TP391文献标识码：AImage segmentation method based on PCNNWANG Hong-mei, ZHANG Ke, LI Yan-jun(College of Astronautics, Northwestern Polytechnical University, Xi’an 710072,China)Abstract：Aiming at determining the optimal result of Pulse-Coupled Neural Network for image segmentation, a novel method is proposed which combines the PCNN with between-cluster variance.The fired nerves and the unfired nerves of PCNN corresponding to pixels of image are considered as target and the background respectively. The between-cluster variance between the target and the background is calculated at each process of iteration. The optimal segmentation result is obtained when the maximum value of the between-cluster variance is achieved. Experimental results show that the method can achieve better image segmentation and has a common applicability. The simulation time for segmenting an image with the size of 256 by 256 is about 0.8 second.Key words：Image segmentation；Pulse-coupled neural network；Between-cluster variance引言脉冲耦合神经网络(Pulse-Coupled Neural Network，简称PCNN) [1]是由Eckhorn为解释猫大脑视觉皮层中实验所观察到的与特征有关的神经元同步行为现象而提出的。
基于PCNN图像分割算法研究答辩稿
度，也有彩色图像 （2）灰度图像的处理 方法比较多 （3）运用PCNN进行 图像分割是一种更自然 的方式
本文的主要 工作是对三种算 法进行研究仿真 ，分别是最大类 间方差法，最大 熵图像分割法， 还有最重要的基 于PCNN图像分 割法
2
图像分割
本章主要简单介绍图像分割的定义，应用及一些 常用的算法。 例如阈值法 基于边缘的分割方法 基于区域的图像分割方法，主要工作是介绍阈值法 中的最大熵图像分割法和最大类间方差法
基于PCNN图像分割的算法研究
• 答辩人：
• 专 业：自动化
基于PCNN图像分割的算法研究
1 2
3
绪论 图像分割
基于PCNN图像分割
目 录
4
5 6
程序及仿真结果
总结
参考文献
1
绪论
主要工作 发展现状
研究背景与意义
（1）分割的图像有灰
（1）背景：
图像分割越来越重 要
（2）意义： 目标识别的主要处 理方法
本章研究的算法 及仿真结果
本章主要是对本文中研究的三种主要算法 （最大熵图像分割法，最大类间方差法， 基于PCNN的图像分割）进行仿真
最大熵和最大类间方差法仿真结果
最大熵法仿真结果 最大类间方差法仿真结果
基于PCNN的图像分割
总结
• 通过对以上三种算法的研究和仿真，我 们可以明显的看到基于PCNN图像分割的优 越性，它可以很好的把目标和背景分割开 。 • 采用PCNN图像分割完全依赖于图像的自 然属性，不用预先选择处理的空间范围， 这是一种更加自然的方式。
基于PCNN的图像分割的原理
• 利用PCNN进行图像分割时，可以把二维图像 矩阵M看作M N个PCNN神经元模型，它的每 个像素的灰度值对应为每个神经元的输入。 当内部连接权矩阵M的邻域内有灰度值相近 的像素，则其中某一个像素激发产生的脉冲 输出将会引起附近其它类似灰度像素对应神 经元的激发，即产生脉冲序列输出Y (k)，其构 成的二值图像就是PCNN输出分割图像。
基于PCNN的图像分割算法研究
基于PCNN的图像分割算法研究图像分割技术是计算机视觉领域内的一项关键技术，其目的是把一张图像分割成若干个具有独立特征的区域。
近年来，基于神经网络的图像分割技术发展迅速，其中，脉冲耦合神经网络（PCNN）被广泛应用于图像分割领域。
本文将针对基于PCNN的图像分割算法进行研究。
一、PCNN基本原理PCNN是模拟生物视觉神经系统运作原理的一种神经网络，其基本原理是激发-抑制相互作用。
根据这种相互作用模式，输入信号可经过神经元的离散时间-空间处理，最终通过对神经元脉冲序列的累加输出结果。
在PCNN中，每一个神经元的输出是以脉冲的形式表示出来的，发放脉冲的条件依赖于该神经元输入信号的强度。
在不断迭代的过程中，神经元之间的相互作用被通过相互调制的方式进一步表现出来，从而实现了对图像特征信息的提取。
二、基于PCNN的图像分割算法基于PCNN的图像分割方法主要分为两种，即PCNN-FCM联合算法和PCNN-水平集方法。
(一) PCNN-FCM联合算法该算法是将FCM（模糊C均值聚类算法）与PCNN相结合，实现图像分割的一种方法。
通过PCNN对输入的图像进行处理，提取图像中特征信息，然后将提取得到的特征信息传递给FCM算法进行聚类处理，从而实现图像的分割。
该方法在最初的运算过程中，需要先对PCNN进行训练，以获取网络中权值和阈值，然后再将其与FCM算法结合起来完成图像分割。
(二) PCNN-水平集方法该方法则是一种基于PCNN和水平集相结合的图像分割方法，其主要思想是在过程中运用水平集方法对图像进行曲线演化，并通过PCNN对图像信息进行提取。
在最终的运算过程中，通过对演化曲线进行优化，实现图像分割。
三、实验结果分析通过对PCNN-FCM联合算法和PCNN-水平集方法进行实验测试，发现利用PCNN进行图像分割可有效提高图像分割的效率与准确度。
在采用PCNN的图像分割方法中，由于PCNN本身具有抑制特性，因此可以更有效地处理图像中的噪点，同时也可以更好地提取图像特征信息，从而实现图像分割的精确性。
基于PCNN的改进Split-merge图像分割
可合 并 。
引
分 裂合并 （ ｐｉ ｍｅｇ ， Ｍ ） Ｓ ｌ — ｒ ｅ Ｓ 是一 种基 于 区域 ｔ 的串行 图像分 割技术 ， 想简 单 明了 ， 算效 率高 。 思 运
割 的有 效 算 法 。 关键词 ： 图像 分割 ； 裂合 并 法 ； 冲耦 合 神 经 网 分 脉
中 图分 类 号 ： Ｎ９ １７ Ｔ ｌ．３
文献标识码 ： Ａ
Ｓ ｉ— ｅ ｇ ｍ ａ ｅ Ｓ ｇ ｅ ｔ ｔｏ ｓ ｄ ｏ ｐｌｔ ｍ ｒ ｅ Ｉ ｇ ｅ ｍ ｎ ａ ｉ ｎ Ｂａ ｅ ｎ ＰＣＮＮ ｏ ｌ Ｍ ｄｅ
第 ２ 卷第 ３ ５ 期
２１ ０ ０年 ５月
数
据
采
集
பைடு நூலகம்与
处
理
Ｖ ｏ１ ５ ．２ Ｎｏ． ３
Ｍ ａ ０１ ｙ２ ０
Ｊ ｕ ｎ ｌ ｆＤａａＡｃ ｕｓｔｏ ＆ Ｐ ｏ ｅｓｎ ｏ ｒ ａ ｔ ｑ ｉｉ ｎ ｏ ｉ ｒ ｃ ｓｉｇ
文 章 编 号 ：０ ４ ９ ３ （ ０ ０ ０ — ３ ３０ １ ０— ０ ７ ２ １ ）３０ ５ —５
ｐ ｏ ｏ ｅ ．Ｉ ｇ ｓ ａ ｅ ｓ ｌ ｅ ｙ Ｐ ｒ ｐ ｓ ｄ ｍａ ｅ ｒ ｐ ｉ ｄ ｂ ＣＮＮ ｎ ｅ ｇ ｄ ｖ ａ ａ ｓｍｐ ｉ ｅ ｕ ｆ ｒ — ｈ ｈ ｍｏ ｅ ． Ｉｓ ｔ ａ ｄ ｍ ｒ ｅ ｉ ｉ ｌ ｉｄ Ｍ ｍ ｏ ｄ Ｓ ａ ｄ １ ｔ ｆ ａ ｖ ｎ ａ ｅ ｒ ｓ ｆ ｌ ｗｓ ａ ｈ ｐ ｉ ｓ ａ ｅ ｉ ｃ ｎ ｒ ｄ ｃ ｈ ｕ ｅ ｆ ｎ ａ ｉ ｐ ｉ ａ ｄ ｉ ｄ ａ ｔ ｇ ｓ ａ ｅａ ｏ ｌ ｏ ： ｔｔ ｅ ｓ ｌ ｔ ｇ ， ｔ ａ ｅ ｕ ｅ ｔ ｅ ｎ ｍｂ ｒｏ ｖ ｌ ｓ ｌ ｎ ｉ ｔ ｉ ｄ ｔ ｓ ｍ— ｍｕ ｅ ｆｏ ｔ ｅｂ ｏ ｋ ｅ ｆ ｃ ， ｎ ｏ ａ ｅ ｍｏ ｅａ ｃ ｒ ｔ ｌ ｄ ｅ ； ｔｔ ｅ ｍｅ ｇ ｔ ｇ ，ｉ ｃ ｎ ｍｅ ｇ ｎ ｒ ｍ ｈ ｌ ｃ － ｆｅ ｔ ａ ｄ ｌ ｃ ｔ ｒ ｃ ｕ ａ ｅ ｙ ｅ ｇ ｓ ａ ｈ ｒ ｅｓ ａ ｅ ｔ ａ ｒ ｅ
基于PCNN的图像分割和边缘检测算法研究
基于PCNN的图像分割和边缘检测算法研究计算机视觉技术近年来得到了飞速的发展，其中图像分割和边缘检测算法是计算机视觉中的两个重要方向。
传统的图像分割和边缘检测算法往往需要大量的人工干预和计算资源，同时由于图像中噪声和变化很少有规律性，所以传统算法常常难以处理复杂图像的分割和边缘检测问题。
近年来，基于脉冲耦合神经网络（Pulse Coupled Neural Networks，PCNN）的图像分割和边缘检测算法被广泛研究和应用，具有很强的鲁棒性和稳定性，取得了不俗的分割和检测效果。
PCNN是一种类似于生物系统中脉冲传递的神经网络模型，它可以模拟视觉系统的神经传递过程，同时也可以用于数字图像处理中的模式识别、分割和边缘检测。
其主要思想是通过网络中神经元之间的脉冲传递来实现图像处理。
PCNN模型主要由脉冲发生器、耦合神经元、输出神经元三个部分构成，其中脉冲发生器用于产生初级输入信号，耦合神经元用于模拟神经信号在图像中的传递过程，输出神经元用于对传递后的信号进行处理。
在图像分割中，PCNN算法主要通过模拟神经信号的传递过程实现对图像中区域的分割。
首先，利用脉冲发生器产生初级输入信号，然后通过耦合神经元进行信号传递，最后输出神经元将处理后的信号映射为图像中的像素点。
PCNN算法中的每个像素点都可以看成是一个神经元，在脉冲传递的过程中，相邻的像素对应的神经元之间会发生相互耦合。
不同区域的像素点脉冲传递的速度和强度不同，通过调整网络中的参数可以控制神经元之间的耦合程度，从而实现对图像的分割。
在边缘检测中，PCNN算法可以通过模拟不同灰度值的图像区域之间的脉冲传递过程来实现对图像边缘的检测。
通常来说，边缘检测可以分为基于梯度、基于模型和基于机器学习三类算法。
基于模型的边缘检测算法需要对图像进行建模和参数优化，所以不适用于处理复杂的图像；基于机器学习的边缘检测算法需要大量的训练数据和计算资源，所以在实际应用中也不太实用。
基于最大熵和PCNN的图像分割新方法
基于最大熵和PCNN的图像分割新方法
朱冰;祝小平;余瑞星
【期刊名称】《红外技术》
【年(卷),期】2008(30)5
【摘要】针对脉冲耦合神经网络(PCNN)无法确定最优分割以及脉冲门限具有非线性因子的问题,提出了一种基于最大熵和脉冲耦合神经网络的新型图像分割算法.该算法采用线性方式动态调整脉冲门限,采用最大熵确定PCNN网络的循环迭代次数,并引用均值滤波的思想对PCNN的接收部分进行了改良,以克服噪声对分割过程的影响.实验结果表明该方法能获得视觉效果较好的分割结果并具有较强的普适性.【总页数】5页(P259-262,267)
【作者】朱冰;祝小平;余瑞星
【作者单位】西北工业大学,航天学院,陕西,西安,710072;西北工业大学365所,陕西,西安;西北工业大学,航天学院,陕西,西安,710072
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.PCNN图像分割新方法 [J], 余瑞星;朱冰;张科
2.基于PCNN的彩色图像分割新方法 [J], 鲍晴峰;王继成
3.一种基于最大熵的改进型PCNN图像分割新方法 [J], 房华;程国建;吴文海
4.一种基于最大熵的改进型PCNN图像分割新方法 [J], 房华;程国建;吴文海
5.基于并行点火PCNN模型的图像分割新方法 [J], 彭真明;蒋彪;肖峻;孟凡斌
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCNN自动波与偏态指标的图像自动分割算法
基于PCNN自动波与偏态指标的图像自动分割算法
齐春亮;马义德;杜鸿飞
【期刊名称】《计算机工程与应用》
【年(卷),期】2005(041)034
【摘要】提出了一种脉冲耦合神经网络和偏态指标相结合的算法来对图像进行自动分割,主要思路是用偏态指标作为分割图像的测度,当分割输出图像的偏态指标达到最小时,分割迭代过程自动终止,从而实现了图像的自动分割.仿真试验结果验证了算法的较好效果,具有实用和推广的价值.
【总页数】4页(P49-51,116)
【作者】齐春亮;马义德;杜鸿飞
【作者单位】兰州大学信息科学与工程学院,兰州,730000;中国酒泉卫星发射中心,兰州,732750;兰州大学信息科学与工程学院,兰州,730000;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】TP183
【相关文献】
1.基于PCNN自动波特征的血细胞图像分割和计数方法 [J], 苏茂君;王兆滨;张红娟;马义德
2.一种新的基于PCNN的图像自动分割算法研究 [J], 赵峙江;张田文;张志宏
3.一种基于矢量PCNN的彩色图像自动分割算法 [J], 刘勍;马小姝;张利军;马义德;董忠
4.一种基于有偏场的医学图像自动分割算法 [J], 宿燕鸣;齐敏;李大健;严欣
5.基于灰度相关性的改进PCNN图像自动分割算法 [J], 马海荣;程新文
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCNN的图像分割算法研究的开题报告
基于PCNN的图像分割算法研究的开题报告一、选题背景和意义图像分割是计算机视觉和图像处理领域的重要研究方向，其目的是将一幅图像分割成若干个具有语义意义的图像块，为后续的特征提取、目标识别等任务提供基础，同时也广泛应用于医学影像分析、智能交通、航空航天等领域。
目前，图像分割算法主要包括基于阈值的方法、基于边缘或区域的方法、基于图论的方法等。
传统的基于阈值的方法往往存在分割结果随着阈值的变化而发生剧烈变化的问题，而基于边缘或区域的方法则容易受到图像噪声和纹理信息的影响，导致分割效果不稳定，难以满足实际需求。
基于神经网络的图像分割算法近年来成为研究的热点，其中基于脉冲耦合神经网络（PCNN）的算法具有很高的分割精度和鲁棒性，已经被广泛应用于医学影像分割、海洋目标识别等领域。
在PCNN算法中，通过对图像进行预处理得到脉冲序列，然后通过对脉冲序列的处理，实现对图像的快速、精确的分割。
因此，本研究选取基于PCNN的图像分割算法作为研究对象，旨在探索其基本原理和实现方法，并在此基础上进一步提高算法的分割精度和处理速度，为实际应用提供更好的支持。
二、研究内容本研究的主要内容包括以下几个方面：1. PCNN算法的理论基础：介绍PCNN算法的基本模型和原理，探讨其在图像分割中的应用和优劣势。
2. PCNN算法的实现方法：详细分析PCNN算法的实现流程，包括预处理、脉冲输出、阈值判断等步骤，以及在实现过程中可能出现的问题和解决方法。
3. 分割结果的评估方法：设计合适的评价指标，对PCNN算法的分割结果进行定量分析，评估其分割精度和处理速度，并与其他算法进行比较。
4. 算法的优化和改进：针对PCNN算法中存在的问题，提出相应的改进措施，进一步提高算法的分割精度和处理速度，同时保证算法的鲁棒性和稳定性。
5. 实验结果和分析：通过对多幅图像的分割实验，验证所提出的PCNN算法的优劣势，分析其在不同场景和条件下的适用性和限制性。
- 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)。
Ｋｅ ｗｏ ｄｓ：ｍ ａ ｅ ｍ ｅ ａ ｉｎ； ｐｕｓ — ｏｕ ｅ ｕ ａ ｔ ｙ ｒ ｉ ｇｅ ｓ ｇ ｎｔ ｔｏ ｌｅ ｃ ｐｌｄ ｎｅ ｒ ｌｎｅ ｗｏｒ ｓ； ｍ ａ ｉ ｕ ｏｒ ｅａ ｉ ｒｔ ｒｏｎ ｋ ｘ ｍ ｍ ｃ ｒ ｌｔｏｎ ｃ ｉｅ ｉ
中图分类号 ： ３ １ ＴＰ ９ 文献标志码 ： Ａ
Ｉ ａ ｅ Ｓ ｇ ｅ ａ ｉ ｎ Ｍ ｅ ｈ ｄ Ｂａ ｅ ｎ ＰＣＮＮ ｎｄ ｍ ｇ ｅ ｍ ｎｔ ｔｏ ｔｏ ｓｄｏ ａ Ｔｗｏ ｄ ｍ ｅ ｉ ｎ Ｍ ＣＣ — ｉ ｎｓｏ
ＤＥ ＮＧ ｉ ｇ ｏ Ｌｎ ｂ （ ｔｌ ｒ ａ ｅ ｆ Ｐ Ａｒｉ ｅ ｙ Ａｃ ｄ ｍｙ ｏ ＬＡ ，Ｈ ｅ ｅ ２ ０ ３ ， ｉ ａ ｌ ｆ ｉ ３ ０ １ Ｃｈ ｎ ） Ａｂ ｔａ ｔ Ｔｈ ｌ ｏ ｉｈ ｔ ａ ｅ ｍ ｅ ｔ ｍａ ｅ ｔ ｕｓ － ｏ ｐ ｅ ｅ ｒ ｌｎ ｔ ｒ ｓ （ ＣＮＮ） ａ ｄ ｔ — ｉ ｎ ｉ ｎ ｍａ ｉ ｓ ｒ ｃ ： ｅ ａ ｇ ｒｔ ｍ ｈ ｔ ｓ ｇ ｎ ｓ ｉ ｇ ｓ ｗｉ ｐ ｌｅ ｃ ｕ ｌｄ ｎ ｕ ａ ｅ ｗｏ ｋ ｈ Ｐ ｎ ｗｏ ｄ ｍｅ ｓｏ ｘ — ｍｕ ｃ ｒｅ ａ ｉ ｎ ｃ ｉ ｒｏ （ ＣＣ）ｗａ ｒ ｓ ｎ ｅ ．Ｔｈ ｒ ｓｌｓ ｇ ｒ ｈ ｃ ｏ ｅ ａ ｉ ｎ ｉ ｗｏ ｄ ｍｅ ｓｏ ＣＣ ｔ ａ ｎ ｔ — ｍ ｏ ｒ ｌ ｔ ｒ ｅ ｉ ｎ Ｍ ｏ ｔ ｓｐ ｅ ｅ ｔ ｄ ｅ ｅｉ ｅ ｓ ｌ ａ ｉ ｍｉ ｐ ｒ ｔ ｎ ｔ — ｉ ｎ ｉｎ Ｍ ｏ ｔ ｏ ｈ ｎ ｉ ｗｏ
算 目标 和 背景 的最 大相 关 准则 系数 ， 取最 大相 关
１ 引 言
脉 冲 耦 合 神 经 网 络 ｕ （ ａ ｎ ｔ ｒ ，Ｃ ｅｗｏ ｋ Ｐ ＮＮ） 由 Ｅ ｋ ｏｎ直 接 观 察 猫 的 视 是 ｃｈ ｒ
准则系数所对应的分割图像作为最终分割结果。
中给 出 了一 种 判 断 Ｐ ＮＮ 分 割 后 二值 图像 的最 Ｃ 大熵准 则 ， 过 多 次 实 验 发 现 ， 种 方 法 由于 涉 通 这 及 许多 对 数 运 算 ， 算 量 较 大 ， 时性 不 好 。针 运 实 对 这个 问 题 ， 中提 出 了 Ｐ ＮＮ 和 最 大 相 关 准 文 Ｃ 则 相 结 合 的 图像 分 割 方 法 ， Ｐ ＮＮ 每 次 迭 代 将 Ｃ
分支 树 中有两 个 分 支 ， 以形 成 馈 送 输 入 Ｆ， 和链 接输 入 Ｌ，而 Ｆ，Ｌ， 分 别 以较 小 ／ 大 的时 间 ， ／ 是 较
常数 ／ 对 神经 元 Ｊ某邻 域 内 的其 它 神 经元
输 出进行 漏 电容 积分 的加 权 和 的结果 （ 可认 为 给
时点 火 的神经 元 对应 的像 素 作 为 目标 （ 景 ） 而 背 ， 未点 火 的神 经元 对应 的像素 作 为 背景 （ 目标 ） 计 ，
ｄｍｅ ｓ ｎｅ ｔ ｐ ｈ ｅｅｅ ｃ ２ ．Ｔ ｅｅ ｒ ， ｈ ｅｍｅ ｔｔ ｎａ ｏｉ ｍ ｈｓｐｐ ｒｓ ａｔｒ ｎ ａ ｏ ｄｒａ ｉ ｎ ｉ ｎｒ ｙｉ ｔｅｒｆｒｎ ｅ［］ ｈ ｒｆ ｅ ｔｅｓｇ ｎａｉ ｌ ｒｈ ｉ ｔｉ ａ ｅ ｓｅ ｄｈｓｇｏ ｌ ｏ ｏ ｎ ｏ ｏ ｇ ｔ ｎ ｉｆ ａ ｅ—
２ 脉 冲耦 合 神 经 网 络 及 其 图像 处 理
原 理
Ｐ ＮＮ 是一 种 不 同 于 传 统 人 工 神 经 网络 的 Ｃ
新 型神 经 网络 。 它是 由若 干 个神 经 元互 连 而构 成
整地 保 留 图像 的 区域信 息 ， 对 图像 分 割 无疑 是 这
非 常有 利 的 。但是 在 用 Ｐ ＮＮ 对 图像 进 行 分 割 Ｃ
ｊ ｎ ２ ０ ｕ ０ ８
基于 Ｐ Ｎ Ｃ Ｎ和最大相关 准则的图像分割算法
邓灵 博
（ 放军炮兵学 院 ， 肥 解 合 ２０３） ３ ０ １ 摘 要 ： 出 了 一 种 脉 冲 耦 合 神 经 网 络 和 最 大 相 关 准 则 相 结 合 的算 法 来 对 图 像 进 行 分 割 。该 算 法 运 用 最 大 相 提 关 准 则 进行 最 优 分 割 ， 文 献 ［ ］ 算 法 相 比 ， 与 ２的 由于 涉 及 较 少 的对 数 运 算 ， 因此 实 时性 较 好 。 关键 词 ： 图像 分 割 ； 冲 耦 合 神 经 网络 ； 大 相 关 准 则 脉 最
的反馈 型 网络 ， 中 ， 一神 经 元 由 ３部 分组 成 ： 其 每 分支 树 、 接 器 和 脉 冲产 生器 。，ｙ ， 分 别 为 链 Ｊ ， ，ｕ，
神经 元 Ｊ的外 部 刺激 （ 入 ） 输 出 和 内部 行 为 。 输 、
时存在 循 环迭 代次 数 无法 确定 的问题 。文 献 Ｅ ］ ２
维普资讯
第２ ８卷
第 ３期
２０ ０ ８年 Ｏ ６月
弹 箭 与 制 导 学 报 Ｊ ｕ ｎ ｌ ｆＰｒｊｃｉ ｓ ｏ ｒ ａ ｏｅ ｔｅ ，Ｒｏ ｋ ｔ ，Ｍｉｓｌｓａ ｄ Ｇｕｄ ｎ ｅ ｏ ｌ ｃ ｅｓ ｓ ｉ ｎ ｉａ ｃ ｅ
Ｖｏ ． ８ Ｎｏ ３ １２ ．
实验 表 明文 中方法 优 于文 献 Ｅ ］ ２ 的方法 。
觉皮层 神 经细 胞 ， 并模 拟 其视 觉 神 经细 胞 活 动而 得 到 的人 工 神 经 元 模 型 。 在 Ｐ ＮＮ 中 ， 有 相 Ｃ 具 似输 入 的神 经元 同 时发 生脉 冲 ， 够 弥补 输 入数 能 据 的空 间不 连贯 和 幅度 上 的微 小 变化 ， 而较 完 从