基于脉冲耦合神经网络模型的彩色图像分割方法研究
基于脉冲耦合神经网络模型的彩色图像分割方法
——《模式识别与智能系统导论》考核
学院：电气工程学院
专业：模式识别与智能系统
学生姓名：谷朝
班级：研硕15级15班
学号：S150********
主讲教师：张秀玲
基于脉冲耦合神经网络模型的彩色图像分
割方法
摘要：图像分割是数字图像处理中的关键技术之一,随着各学科许多新理论和新方法的提出, 人们也提出了许多与一些特定理论、方法和工具相结合的彩色图像分割技术，其中包括了众多的利用神经网络模型来进行图像的分割，比如各种改进型的BP神经网络。而脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）与传统神经网络相比，有着根本的不同。PCNN有生物学的背景，它是依据猫、猴等动物的大脑皮层上的同步脉冲发放现象提出的。PCNN有着广泛的应用，可应用于图像分割，边缘检测、细化、识别等方面。
关键词：彩色图像分割；脉冲耦合神经网络
1 引言
图像分割是一种重要的图像处理技术,它是将图像中有意义的特征或者需要应用的特征提取出来，是图像识别和图像理解的基本前提，在理论研究和实际应用中都得到了人们的广泛重视，图像分割质量的好坏直接影响后续图像处理的效果。
人工神经网络具有较好的泛化能力、鲁棒性和数值逼近能力，能够处理数值化信息。Gray首先发现了猫的初生视觉皮层有神经激发相关振荡现象，并将其研究结果发在了Nature杂志上。与此同时，Eckhom也根据猫的大猫皮层的同步脉冲发放现象，提出了脉冲发现的连接模式，将开拓性地提出了PCNN基本模型。Gray和Eckhom被称为PCNN的鼻祖。我国的兰州大学马义德教授在PCNN研究领域有很大建树，发表了很多相关的论文，并出版
了《脉冲耦合神经网络原理及其应用》和《脉冲耦合神经网络与数字图像原理》两本专著。
与BP神经网络和Kohonen神经网络相比，PCNN不需要学习或者训练，能从复杂背景下提取有效信息，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。因此，结合PCNN神经网络在一定的条件下，可视为处理图像分割结果的最佳方法。
2 彩色图像分割
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。
为了便于研究和理解，通常形式化定义如下[1]：
令集合Ｒ表示原始图像，设Ｒ被分割为Ｎ个非空子集，这Ｎ个非空子集满足以下５个条件：
对所有的和，有（2）
对,有（3）
对，有（4）
对,是连通区域。（5）
其中，表示所有在集合Ｒ中的元素的逻辑谓词。
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等[2]。其中，阈值分割最为简单有效，在图像区域间颜色或是灰度差别较大时，体现出很好的分割效果。但它忽略了图像的空间特性，因此对噪声很敏感，实际操作中的效果往往不尽如人意[3]。区域分割利用区域相似性提取图像中相连接的区域，受噪声影响较大。边缘分割通过从图像中不同区域的边缘上提取信息差异实现对图像的分割，这种方法计算复杂且受噪声干扰明显。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。
基于特定理论的方法利用某种已经相当成熟的理论，包括聚类分析、模糊理论、遗传算法、神经网络等，来实现图像分割[4]。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。
3 脉冲耦合神经网络模型
基本PCNN神经网络是提出的一种有连接域的网络模型，它是由若干个神经元互连形成的反馈型神经网络，构成PCNN的神经元系统是一个复杂的非线性动态系统[5]。一个PCNN神经元由三部分组成：接受部分，调制部分，脉冲发生器，其基本模型见下图1所示:
基于神经网络的图像分割
基于遗传神经网络的图像分割 摘要 针对图像分割的复杂性,利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后再对图像的像素进行分类识别,实现并提高了图像分割性能。仿真实验表明,与传统的图像分割方法相比,取得了比传统方法更好的图像分割效果。 关键词:图像分割;神经网络;遗传算法;遗传优化 A Study of Genetic Neural Network Used in Image Segmentation ABSTRACT Because of the complexity of image segmentation, the optimization of the weights and thresholds of BP neural network are realized by genetic algorithm, and a BP neural network with minimum error is designed. It classify the image pixels, implement and improve the performance of image segmentation. The results of simulation show that the algorithm neuralnetwork can better achieve the image segmentation, compared with the traditional method. Key word :Image segmentation;Neural Network;Genetic algorithm;Genetic optimization 一、遗传算法 1．1基本概念 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可以描述为下列数学规划模型:
文献翻译-PCNN模型及其应用
PCNN模型及其应用 约翰·L·约翰逊和玛丽娄帕吉特，会员，IEEE 摘要-本文将描述脉冲耦合神经网络模型。其链接领域调制术语显示其网络模型是生物基础性树状模型的普遍特征。本文将综述和回顾神经网络模型的应用与实现并且基于应用程序的变化与简化进行总结。本文将在新的细节方面对神经网络图像图解进行阐释。 关键词-树状模型，脉冲神经网络模型因式分解，脉冲耦合神经网络 1 介绍 从霍金和赫胥黎的开创性研究到最近关于内部树状脉冲生成研究，神经元电化学动态研究使模型越来越精转化和细节化。生物模型到算法模型的转录引出了广泛的文献数据处理系统，其系统最初主要关注于将自适应算法进运用于数据分类器。关于脉冲神经元动态研究，不论适应与否，是最近的研究项目。早期的一篇论文描述了一个基于一对耦合振荡器的动态链接架构。同步脉冲在猫视觉皮层的爆发的实验观察鞭策了更多的关于生物基础性脉冲动态系统的研究。 1990年eckhorn网络连接系统以现象学模型系统被介绍并展示了同步脉冲迸发。它用一个叫神经元模型的脉冲生成器，一个调制耦合项和一个作为漏水容器的突出链接建模。中央新概念是次要接受域和链接域的引入，它的整合引入是通过内部细胞电路调节远处喂养接受域。这提供了一个简单,有效的仿真工具并研究同步脉冲的动态网络,很快就被认为是在图像处理的重要应用。 大量的变形与变体被引入到链接领域模型是为了调整作为图像处理算法的表现，而这些被统称为脉冲耦合神经网络。 这种链接调节能够适用于高阶网络和一种新型的图像融合，并进一步容许在单个神经上进行任意复杂模糊的逻辑规则系统建设。
脉冲耦合神经网络的两种基本属性正是脉冲产品的应用。 较后的属性直接来源于原创链接领域作为其基本耦合机制。这是一个由其他神经元输入的不对称的调制。 选择调节耦合而不是常见的添加剂耦合的优点是如果一个神经元没有主要输入则不能被神经元耦合输入激活,这个特点在图像处理功能上是很重要的。 添加剂耦合是一个在并联的突触电流的主要生物机制,因此添加剂,有实验证据表明,脉冲产品和空间信息的时间编码可以同等重要。候选人机制产生乘法耦合来自于下面动力学区划模型的树状计算。 第二部分首先详细检查有两个输入,相的最小数量的分为若干部分的模型。它显示输入的调节耦合，随着时间的信号如何即使在非常简单的模型细胞提供一个优雅的独特编码信息。然后讨论了脉冲发生器机制,结果表明,神经元模型和 integrate-and-fire(及)模型在脉冲的产生破裂有一个重要区别。然后讨论了脉冲发生器机制,结果表明,神经元模型和integrate-and-fire(及)模型在脉冲的产生破裂有一个重要区别。 第三部分回顾了基本链接;再利用的大多是基于领域模型，多脉冲和单脉冲体制,和一些有用方面的脉冲耦合神经网络。这些包括逻辑规则、图像融合、规模定义连接强度,标志性的时间信号,脉冲耦合神经元网络树状图,混乱的结构。
彩色图像分割介绍
第一章绪论 计算机图像处理在医学领域的应用越来越广泛，白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰，提高工作效率，减轻医生负担。近些年来，计算机硬件技术和光谱成像技术的飞速发展，使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。 本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究，为系统中其后的白细胞能够准确地分类识别奠定基础。 本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义，回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况，并简要介绍了本论文的主要工作。 §1.1 概述 §1.1.1 白细胞检验 白细胞的光学显微镜检查是医院临床检验项目之一，特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等，用于判断有无疾病、疾病种类以及严重程度等，特别是对类似白血病这类血液病诊断具有更加重要的意义。 白细胞分类计数的传统方法是将血液制成涂片，染色后，临床医生在显微镜下用肉眼按照有关标准，如核的形状、细胞浆的量和颜色，细胞浆颗粒的大小和颜色，整个细胞形状、稀薄与细胞间的接触等，来观察和检查这样的细胞标本[1]。然而这项工作十分繁重，工作效率低，容易误判，且人工识别误差随检查人员而异。同时通过观察的细胞数目较少，从统计的角度看，因样本集较小而影响诊断结果的可靠性。 计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展，已经迅速渗透到人类生活和社会发展的各个方面，这为智能化细胞分析仪代替人工方法提供了基础。因此，借助于现代计算机技术结合临床医生的实践经验，采用图像处理技术对图像进行处理，从而对细胞进行识别，对于医学科研与实践，以及临床诊断方面有着现实意义和非常广阔的前景。 目前已经制成的自动白细胞分析仪主要有两种类型： 一类是用组织化学染色法，通过连续流动的系统，以光电效应的方式分别数出单一细胞，并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞，所以不能目视观察白细胞形态，亦不能保留样本，对感染中毒细胞无法识别。 另一类是原型认定型，其工作原理模仿人“脑眼系统”[2]的智能识别过程，运用计算机图像处理和模式识别技术，将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比，其主要优
基于Matlab的彩色图像分割
用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors color = I_rgb; color(rgb_label ~= k) = 0; segmented_images{k} = color;
彩色图像快速分割方法研究【开题报告】
毕业论文开题报告 电子信息工程 彩色图像快速分割方法研究 一、课题研究意义及现状 图像分割是一种重要的图像技术，不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础，是图像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。把图像划分为若干个有意义的区域的技术就是图像分割技术，被划分开的这些区域相互不相交，而且每个区域也必须满足特定区域的一致性条件。 彩色图像反映了物体的颜色信息，比灰度图像提供的信息更多，因此，彩色图像的分割得到了越来越多人的关注，彩色图像分割方法的研究具有很大的价值。彩色图像分割一直是彩色图像处理中一个很重要的问题，它可以看作是灰度图像分割技术在各种颜色空间上的应用。 目前，图像分割的主要方法有：基于区域生长的分割方法、基于边缘检测的分割方法、基于统计学理论的分割方法、基于小波变换法、基于模糊集合理论的方法等多种方法。其中，JSEG算法是一种基于区域生长的图像分割方法，它同时考虑了图像的颜色和纹理信息，分割结果较为准确，受到了广泛的关注。但是JSEG算法要在多个尺度下反复进行局部J值计算和区域生长，同时还要进行基于颜色直方图的区域合并，这样，该算法就显得更为繁琐、复杂。针对这些不足之处，有学者提出了一种结合分水岭与JSEG的图像分割新算法。这种新算法在计算得到图像J后，通过引入分水岭算法直接对J图进行空域分割，然后通过形态后处理完成分割。与原JSEG算法比较，新算法能够得到良好的分割效果，有效的降低了JSEG算法的复杂度。 国内外也有很多学者对彩色图像的分割方法进行研究，也提出了许多有价值的彩色图像分割算法及改进的彩色图像分割算法，而多种分割算法的结合使用也改进了单一算法的不足之处，使得彩色图像的分割结果更加理想。但是从目前对彩色图像的研究来看，由于应用领域的不同、图像质量的好与坏以及图像色彩的分布和结果等一些客观因素引起的差异，我们还没有找到一种能够完全适用于所有彩色图像分割的通用的算法。因此，彩色图像的分割方法仍是一个尚未解决的难题，还需要图像处理领域的研究人员进一步的研究探索。 本研究是对基于JSEG的改进彩色图像分割算法的研究，该算法能够有效降低原JSEG算法的复杂度，提高图像分割效率，在图像分割领域有很重要的意义。该算法是在原JSEG算法的基础上，引入了分水岭算法，降低了原算法的计算量，降低了图像分割时间。 二、课题研究的主要内容和预期目标 主要内容：
基于Matlab的彩色图像分割
3 Matlab编程实现 3.1 Matlab编程过程 用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。3.2 Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors
PCNN在图像增强中的应用
PCNN 在图像增强中的应用 马义德，王兆滨 兰州大学信息科学与工程学院 （730000） E-mail:ydma@https://www.360docs.net/doc/5018878686.html, 摘 要： 本文研究并综述了如何应用有生物学依据的脉冲耦合神经网络(PCNN)的脉冲发放特性进行图像增强处理。首先阐述了如何进行灰度图像增强，其次介绍了彩色图象的增强，最后我们用大量的实验结果证明，PCNN 图像增强效果是十分有效的。 关键词：脉冲耦合神经网络，图像增强，马赫带效应 1.引 言 脉冲耦合神经网络(PCNN)是一种不同于传统人工神经网络的新型神经网络，有着生物学背景，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PCNN 是当前智能信息处理的最新研究领域之一，目前它的理论研究仍处在发展阶段。 图像增强是一种基本的图像底层处理手段，它的目的就是将原来不清楚的图像变得清晰或把感兴趣的某些特征强调出来，图像增强处理的好坏直接影响后续的图像分析与模式识别传统的图像增强技术分为频域法和空域法这两类算法只是简单地改变整个图像的对比度或抑制噪声，在抑制噪声的同时也削弱了图像的细节部分；需要用户的干预较多，不能自动完成图像增强不同的目标在不同的场景下的目标图像特征是有一定差异的，因而采用的增强方法也应是有差异的。 2.PCNN 模型简介 图1 PCNN 模型 从上世纪90年代开始，由Eckhorn 等对猫的视觉皮层神经元脉冲串同步 振荡现象的研究，得到了哺乳动物神经 元模型，并由此发展形成了脉冲耦合神经网络PCNN 模型，如图1所示。当该模型应用到图像增强处理时，二维图像矩阵M ×N 相当于M ×N 个PCNN 神经元模型，其每一个像素的灰度值对应为每个神经元的输入I ij 。此时的数学模型[1]如下所示： F ij [n ] = I ij L ij [n ] = exp(–αL )L ij [n ] + V L ∑W ijkl Y kl [n –1] U ij [n ] = F ij [n ](1+βL ij [n ]) (1) ] 1[][]1[][01][?≤>???=n n U n n U n Y ij ij ij ij ij θθ? θij [n ] = exp(–αθ)θij [n – 1] + V θY ij [n – 1] 上式中，F ij [n ]为第(i , j )个神经元的n 次反馈输入； L ij [n ]为第(i , j )个神经元的n 次连接输入； - 1 -
彩色图像分割的国内外研究现状
1．阈值分割方法 阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像木身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。若根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性。付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。华长发等人提出了一种基于二维熵阈值的图像分割快速算法，使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法，将全局二值化与边缘检测有效的结合起来，从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法，找到了一条最佳分割曲线，使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点，引入了基于一元线性回归处理的局部区域随机波动消除方法，将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状，赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来，并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法，利用目标一背景对比度自动选取窗宽的方法，并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法，克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统，对不同对比度和不同距离的海面舰船图像进行阈值分割，有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法，针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点，以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法，这种分割方法能够快速正
彩色图像分割-RGB模型
成绩评定表学生姓名班级学号 专业电子信息工 程课程设计题目彩色图像分割程序设 计——RGB模型 评 语 组长签字： 成绩 日期201年月日
课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名班级学号 课程设计题目彩色图像分割程序设计——RGB模型 实践教学要求与任务： 本次课程设计中，主要任务是实现基于RGB模型的彩色图像分割的程序设计，对给定的彩色图像的颜色，使用RGB颜色模型，来对其进处理。 并且设计MATLAB程序，使其能完成输入图像便自动使用RGB 模型来进行图像分割。 工作计划与进度安排： 第一阶段（1-2天）：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3天）：算法设计； 第三阶段（2-3天）：编码与调试； 第四阶段（1-2天）：实验与分析； 第五阶段（1-2天）：编写文档。 指导教师： 201年月日专业负责人： 201年月日 学院教学副院长： 201年月日
Matlab是当今最优秀的科技应用软件之一，它一强大的科学计算与可视化功能，简单易用，开放式可扩展环境，特别是所附带的30多种面向不同领域工具箱支持，使得它在许多科学领域中成为计算机辅助设计与分析，算法研究和应用开发的基本工具盒首选平台在图像处理中，Matlab也得到了广泛的应用，例如图像变换，设计FIR滤波器，图像增强，四叉树分解，边缘检测，小波分析等等。不同的颜色空间在描述图像的颜色时侧重点不同。如RGB（红、绿、蓝三原色）颜色空间适用于彩色监视器和彩色摄象机，HSI（色调、饱和度、亮度）更符合人描述和解释颜色的方式（或称为HSV，色调、饱和度、亮度），CMY（青、深红、黄）、CMYK（青、深红、黄、黑）主要针对彩色打印机、复印机等，YIQ （亮度、色差、色差）是用于NTSC规定的电视系统格式，YUV（亮度、色差、色差）是用于PAL规定的电视系统格式，YCbCr（亮度单一要素、蓝色与参考值的差值、红色与参考值的差值）在数字影像中广泛应用。 彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作。其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等，没有包含lαβ和其它颜色空间的转换。 关键字：Matlab；图像处理；RGB
海马CA3区神经元集群放电的脉冲耦合神经网络仿真研究
海马CA3区神经元集群放电的脉冲耦合神经网络 仿真研究1 刘婷，田心 天津医科大学生物医学工程系，天津（300070） E-mail：liuting@https://www.360docs.net/doc/5018878686.html, 摘要：目的借鉴脉冲耦合神经网络（pulse coupled neural network, PCNN），根据海马CA3区神经元集群电活动的特点，对海马CA3区神经元集群放电进行建模和仿真。方法建立海马CA3区神经元集群放电的PCNN模型。该网络模型由120个神经元组成，其中兴奋性神经元与抑制性神经元个数之比为5：1，各个神经元间的连接权重为高斯分布，通过调节权重实现网络中神经元之间的稀疏连接。结果PCNN模型的输出结果表明，在设定的三类输入模式下：正弦信号，Gaussian随机信号及以上两类信号的线性叠加，PCNN模型的输出都符合稀疏发放：神经元集群的平均发放率均小于10％。结论 PCNN模型的输出仿真了海马CA3区神经元集群的电活动，为研究海马CA3区神经元集群编码提供仿真数据。 关键词：海马CA3区，神经元集群，电活动，脉冲耦合神经网络，仿真 中图分类号：R318 1.引言 海马是与认知记忆功能以及与神经系统某些重大疾病有关的重要脑区，近年来与海马相关的神经生物学研究有了令人触目的进展[1~3]。由于许多神经活动很难在实验中被直接观察，例如，清醒动物在记忆各个过程中，在记忆脑区或相关皮层上的神经元集群电活动不一定都能被观察和记录到；即使能记录到也不一定能体现某些关键的功能性编码。因此，建立神经元集群电活动的模型进行仿真，给海马CA3区神经元集群放电提供了仿真数据，对神经元集群放电编码理论和算法的研究打下了仿真基础。 国内外对神经放电计算模型的研究，较成熟的是单个神经元放电的模型。单个神经元放电模型是神经元网络放电模型的基础。但仅从单个神经元放电来研究脑的功能行为是不可能的，根据Hebb的神经元集群编码理论，功能性神经元集群电活动才能编码信息[4]。从神经网络层次研究集群放电活动的模型，是神经计算的前沿研究。例如，Kohonen提出的自组织特征映射神经网络（self-organized mapping, SOM）[5, 6]是由全连接的神经元阵列组成无教师自组织、自学习网络。当神经网络接受外界输入模式时，将会分为不同的反应区域，各区域对输入模式具有不同的响应特性。Meeter等人提出轨迹联系模型（trace-link model）[7]，它包括轨迹系统、连接系统和调节系统三个部分。在以上模型中，神经元被视作一个个节点，各系统内的神经元之间为全连接，系统内神经元与其它系统神经元的连接为多输入/多输出。但是在研究海马CA3区神经元集群的放电活动模型时，必须根据海马区神经元集群的特点建模：神经元之间为稀疏连接；除了可以表达不同输入刺激的最终聚类结果外，还需要每一时刻神经元集群的放电信息。脉冲耦合神经网络（pulse coupled neural network, PCNN）模型是Eckhorn根据猫的大脑视觉皮层同步脉冲发放特点[8]提出的。在PCNN模型中，通过设置神经元之间的权重调节神经元之间的连接；PCNN模型的输出是与神经元集群放电的时空序列，可以为研究神经元集群编码理论和算法提供仿真数据基础。因此，本文将采用PCNN 仿真模型，在正弦，Gaussian随机和正弦与Gaussian随机的线性叠加三类不同输入下，对神经元集群的放电信息进行仿真。 1本课题得到国家自然科学基金资助项目（60474074）的资助。
彩色图像分割混合方法
使用直方图c聚类混合方法的彩色图像分割 摘要： 本文提出了一种新的直方图阈值–模糊C-均值混合（htfcm）的方法，这种方法可以应用到模式识别以及计算机视觉特别是彩色直方图等不同领域。该方法采用直方图阈值技术在彩色图像中获得所有尽可能均匀的区域。然后，使用模糊聚类（FCM）算法来提高这些均匀区域的聚类紧凑性。实验结果表明，所提出的低复杂性的htfcm的方法可以比采用蚁群算法进行细分的其他方法，获得更好的聚类结果和分割结果。 1简介 颜色是一个可以用来提取同类区域最重要的低级别的特点，多数时候与对象或对象的部分相关。在24位真彩色图像中，特殊颜色数量通常超过图像大小的一半，可以达到16百万。从人的感知上来说，这些颜色不能被人眼识别，只能靠内部认知空间的30种颜色来区分。由于所有的特殊颜色在感知上非常接近，它们可以被组合来形成同性质的区域来代表图像中的目标对象，因此图像可以变得更有意义并且更容易分析。在图像处理与计算机视觉中，图像分割是图像分析和模式识别的中心任务。这是把一个图像分割成多个区域，这些区域相对于一个或多个特征是同类的。 虽然在科学文献中已经出现许多分割技术，它们可分为基于图像域，基于物理和基于特征空间的分割技术。这些技术已经被广泛使用，但每一种都有其优点和局限.图像域技术把颜色特征和颜色的空间关系应用到同类评估中以便进行分割，这些技术产生具有合理紧凑性的区域但有会存在合适的种子区域选择困难的问题。基于物理技术的方法利用材料的反射特性的物理模型进行具有更多应用的颜色分割，他们的模型可能会产生色彩变化.特征空间技术利用颜色特征作为图像分割的关键和唯一标准来分割图片。因为色彩空间关系被忽略所以分割的区域通常是分散的。但是，这种限制可以通过提高区域紧凑性来解决。 在计算机视觉和模式识别中，由于其聚类有效性和实施简单，模糊C均值（FCM）算法已被广泛用于提高区域的紧凑性。它是一个将像素划分成群集的像素聚类过程，因此在同一集群中的像素最大可能的相似，那些不在同一组群的像素最大程度的不同。由于在视觉上不同的区域尽可能不同，这与分割过程相一致。但是，它的实现往往遇到两个不可避免的困难，确定聚类数和合理选择初始聚类中心。这些初始化困难对分割质量有影响。而聚类数的确定可能影响分割区域和区域性特征方差，获得初始聚类中心会影响聚类的紧凑性和分类的准确性。 最近，一些基于特征的分割技术采用蚁群算法（ACA）的概念对图像进行分割。由于蚁群算法的智能搜索能力，这些技术可以实现图像分割结果的进一步优化。但由于他们计算的复杂性会产生低效率。除了获得良好的分割结果外，[26]提及的改进的蚁群算法（AS）提供了一个解决方案来克服FCM的聚类中心和聚类数初始化条件的敏感性。然而，该技术在特征空间中没有达到非常紧凑的聚类结果。为了提高蚁群算法的性能，[26]介绍了蚁群–模糊C-均值算法(AFHA)。本质上，AFHA算法合并FCM算法和蚁群算法来提高特征空间中聚类结果的紧凑性。然而，由于蚁群算法计算的复杂度它的效率仍然很低。为了增加AFHA算法的效率，[26]介绍了改进的蚁群模糊C均值算法(IAFHA)。IAFHA算法在AFHA算法上增加了一个蚂蚁的子采样的方法以减少计算的复杂性使算法具有更高的效率。虽然IAFHA 的效率得到提高，但还存在较高的计算复杂度。 在本文中，我们提出了一个新的分割方法称为直方图阈值–模糊C-均值混合算法（htfcm）。Htfcm方法主要分为两个模块，即直方图阈值模块和FCM模块。直方图阈值模块用于获取FCM聚类中心和聚类数的初始条件。与蚁群聚类相比这个模块的实现不需要很高的计算复杂度。这就意味着该算法的简单性。 本文的其余部分安排如下：第2节详细地介绍了直方图阈值模块和FCM模块。3节提供了
彩色图像分割的国内外研究现状 (修复的)
图像分割是图像处理中的一项关键技术，自上世纪70年代起一直受到人们的高度重视，至今已提出上千种分割算法，但因尚无通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。目前大致将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。1．阈值分割方法 阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。 2。基于边缘的分割方法 图像最基本的特征是边缘，它是图像局部特性不连续（或突变）的结果。例如，灰度值的突变、颜色的突变、纹理的突变等。边缘检测方法是利用图像一阶导数的极值或二阶导数的过零点信息来提供判断边缘点的基本依据，经典的边缘检测方法是构造对图像灰度阶跃变化敏感的差分算子来进行图像分割，如Robert算子、Sobel算子、Prewitt算子、Laplacian算子等。 3．基于区域的分割方法 区域分割的实质就是把具有某种相似性质的像素连通起来，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效的克服其它方法存在的图像分割空间不连续的缺点，但它通常会造成图像的过度分割。 4．结合特定理论工具的分割方法 图像分割至今为止尚无通用的自身理论。近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技术。（1）基于数学形态学的分割技术其基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。 （2）基于模糊技术的图像分割方法基于模糊集合和逻辑的分割方法是以模糊数学为基础，利用隶属决图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题，该方法在医学图像分析中有广泛的应用。 （3）基于人工神经网络技术的图像分割方法，基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对象素进行分类来达到分割的目的。 （4）遗传算法在图像分割中的应用遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化搜索方法。 (5)基于小波分析和变换的分割技术该方法是借助新出现的数学工具小波变换来分割图像的一种方法，也是非常新的一种方法。
彩色图像分割算法：Color Image Segmentation Based on Mean Shift and Normalized Cuts
Color Image Segmentation Based on Mean Shift and Normalized Cuts Wenbing Tao,Hai Jin,Senior Member,IEEE,and Yimin Zhang,Senior Member,IEEE Abstract—In this correspondence,we develop a novel approach that provides effective and robust segmentation of color images.By incor-porating the advantages of the mean shift(MS)segmentation and the normalized cut(Ncut)partitioning methods,the proposed method requires low computational complexity and is therefore very feasible for real-time image segmentation processing.It preprocesses an image by using the MS algorithm to form segmented regions that preserve the desirable discontinuity characteristics of the image.The segmented regions are then represented by using the graph structures,and the Ncut method is applied to perform globally optimized clustering.Because the number of the segmented regions is much smaller than that of the image pixels, the proposed method allows a low-dimensional image clustering with signi?cant reduction of the complexity compared to conventional graph-partitioning methods that are directly applied to the image pixels.In addition,the image clustering using the segmented regions,instead of the image pixels,also reduces the sensitivity to noise and results in enhanced image segmentation performance.Furthermore,to avoid some inappro-priate partitioning when considering every region as only one graph node, we develop an improved segmentation strategy using multiple child nodes for each region.The superiority of the proposed method is examined and demonstrated through a large number of experiments using color natural scene images. Index Terms—Color image segmentation,graph partitioning,mean shift (MS),normalized cut(Ncut). I.I NTRODUCTION Image segmentation is a process of dividing an image into different regions such that each region is nearly homogeneous,whereas the union of any two regions is not.It serves as a key in image analysis and pattern recognition and is a fundamental step toward low-level vision, which is signi?cant for object recognition and tracking,image re-trieval,face detection,and other computer-vision-related applications [1].Color images carry much more information than gray-level ones [24].In many pattern recognition and computer vision applications,the color information can be used to enhance the image analysis process and improve segmentation results compared to gray-scale-based ap-proaches.As a result,great efforts have been made in recent years to investigate segmentation of color images due to demanding needs. Existing image segmentation algorithms can be generally classi?ed into three major categories,i.e.,feature-space-based clustering,spa-tial segmentation,and graph-based approaches.Feature-space-based clustering approaches[12],[13]capture the global characteristics of the image through the selection and calculation of the image features, which are usually based on the color or texture.By using a speci?c distance measure that ignores the spatial information,the feature Manuscript received August3,2006;revised December10,2006.This work was supported by the National Natural Science Foundation of China under Grant60603024.This paper was recommended by Associate Editor I.Bloch. W.Tao and H.Jin are with the Cluster and Grid Computing Laboratory, School of Computer Science and Technology,Huazhong University of Science and Technology,Wuhan430074,China,and also with the Service Computing Technology and System Laboratory,School of Computer Science and Technol-ogy,Huazhong University of Science and Technology,Wuhan430074,China (e-mail:wenbingtao@https://www.360docs.net/doc/5018878686.html,;hjin@https://www.360docs.net/doc/5018878686.html,). Y.Zhang is with the Center for Advanced Communications,Villanova University,Villanova,PA19085USA(e-mail:yimin.zhang@https://www.360docs.net/doc/5018878686.html,). Color versions of one or more of the?gures in this paper are available online at https://www.360docs.net/doc/5018878686.html,. Digital Object Identi?er10.1109/TSMCB.2007.902249samples are handled as vectors,and the objective is to group them into compact,but well-separated clusters[7]. Although the data clustering approaches are ef?cient in?nding salient image features,they have some serious drawbacks as well.The spatial structure and the detailed edge information of an image are not preserved,and pixels from disconnected regions of the image may be grouped together if their feature spaces overlap.Given the importance of edge information,as well as the need to preserve the spatial relation-ship between the pixels on the image plane,there is a recent tendency to handle images in the spatial domain[11],[28].The spatial segmen-tation method is also referred to as region-based when it is based on region entities.The watershed algorithm[19]is an extensively used technique for this purpose.However,it may undesirably produce a very large number of small but quasi-homogenous regions.Therefore,some merging algorithm should be applied to these regions[20],[28]. Graph-based approaches can be regarded as image perceptual grouping and organization methods based on the fusion of the feature and spatial information.In such approaches,visual group is based on several key factors such as similarity,proximity,and continuation[3], [5],[21],[25].The common theme underlying these approaches is the formation of a weighted graph,where each vertex corresponds to n image pixel or a region,and the weight of each edge connecting two pixels or two regions represents the likelihood that they belong to the same segment.The weights are usually related to the color and texture features,as well as the spatial characteristic of the corresponding pixels or regions.A graph is partitioned into multiple components that minimize some cost function of the vertices in the components and/or the boundaries between those components.So far,several graph cut-based methods have been developed for image segmentations[8], [14],[22],[23],[27],[30],[31].For example,Shi and Malik[23] proposed a general image segmentation approach based on normalized cut(Ncut)by solving an eigensystem,and Wang and Siskind[8] developed an image-partitioning approach by using a complicated graph reduction.Besides graph-based approaches,there are also some other types of image segmentation approaches that mix the feature and spatial information[4],[29]. This correspondence concerns a Ncut method in a large scale. It has been empirically shown that the Ncut method can robustly generate balanced clusters and is superior to other spectral graph-partitioning methods,such as average cut and average association[23]. The Ncut method has been applied in video summarization,scene detection[17],and cluster-based image retrieval[18].However,image segmentation approaches based on Ncut,in general,require high computation complexity and,therefore,are not suitable for real-time processing[23].An ef?cient solution to this problem is to apply the graph representation strategy on the regions that are derived by some region segmentation method.For example,Makrogiannis et al.[20] developed an image segmentation method that incorporates region-based segmentation and graph-partitioning approaches.This method ?rst produces a set of oversegmented regions from an image by using the watershed algorithm,and a graph structure is then applied to represent the relationship between these regions. Not surprisingly,the overall segmentation performance of the region-based graph-partitioning approaches is sensitive to the region segmentation results and the graph grouping strategy.The inherent oversegmentation effect of the watershed algorithm used in[20]and [28]produces a large number of small but quasi-homogenous regions, which may lead to a loss in the salient features of the overall image and,therefore,yield performance degradation in the consequent region grouping. To overcome these problems,we propose in this correspondence a novel approach that provides effective and robust image segmentation 1083-4419/$25.00?2007IEEE