基于PCNN图像分割方法研究

发布时间：2023-10-04 00:16

　　目前脉冲稱合神经网络(Pulse Coupled Neural Network,PCNN)应用于图像的分割方法研究中广泛存在模型参数过于复杂导致分割时间过长且需要人工调整参数,模型本身对噪声图像的不适应性以及传统PCNN的单通道点火特性无法实现对目标像素准确定位的问题。在这一背景下,本文将在实现PCNN参数自适应性、提高图像的抗噪性、改进模型最优化判别准则以及多通道融合等几方面进行研究,论文的主要工作有:1.本文在一种简化PCNN模型的基础上利用图像方向信息测度的方法实现锅合连接强度系数的自适应性。2.本文通过整合拉普拉斯算子和高斯函数设计反馈输入域的连接系数矩阵,使图像在分割过程中有效保护边缘细节的同时也具有抗噪性。3.本文提出一种双阈值判断准则,该方法通过最大类间方差法进行初次点火,并生成抑制神经元,在点火判别的模型基础上抑制非目标像素的点火。4.本文提出一种结合灰度化权值调整的改进PCNN图像分割方法。该方法采用最大类间方差法对已经分割的多通道口标进行测度,并根据测度信息对提取的多通道信息加以融合。

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外基于PCNN图像分割研究现状
        1.2.1 PCNN参数自适应性研究现状
        1.2.2 最优化判断准则研究现状
        1.2.3 提高分割图像的抗噪性研究现状
        1.2.4 PCNN关于彩色图像的研究现状
    1.3 论文主要工作与创新
    1.4 论文组织结构
    1.5 本章小结
第2章 图像分割方法概述
    2.1 引言
    2.2 图像分割定义
    2.3 图像分割方法简述
        2.3.1 基于阈值的分割方法
        2.3.2 基于聚类的分割方法
        2.3.3 基于图论的图像分割方法
        2.3.4 基于神经网络的图像分割方法
    2.4 脉冲耦合神经网络模型简介
        2.4.1 脉冲耦合神经网络模型
        2.4.2 适应于图像分割的改进
    2.5 本章小结
第3章 基于双阈值的改进SPCNN分割方法
    3.1 简化的PCNN模型及原理
    3.2 模型的改进及参数的设置
        3.2.1 连接系数矩阵设计
        3.2.2 调制域的连接强度设计
        3.2.3 双阈值判别准则
        3.2.4 基于SPCNN的双阈值自适应分割方法
    3.3 实验分析及结果
        3.3.1 实验结果及分析
        3.3.2 客观评价准则
        3.3.3 参数自适应性验证
        3.3.4 综合评测
    3.4 本章小结
第4章 结合灰度权值化的改进PCNN分割方法
    4.1 多通道彩色空间模型
        4.1.1 改进PCNN图像分割模型
        4.1.2 最大类间方差准则
        4.1.3 灰度权值调制设计
        4.1.4 基于灰度权值化的改进PCNN图像分割方法
    4.2 实验结果与分析
    4.3 综合评测
    4.4 本章小结
第5章 总结与展望
    5.1 论文总结
    5.2 展望
参考文献
致谢
个人简历
在学期间的研究成果及发表的学术论文



本文编号：3850934