基于脉冲耦合神经网络的图像处理算法

合集下载

基于PCNN和最大相关准则的图像分割算法

ｔｍｅｐｆｒａｅｉｅｒｏｍｎｃ．
Ｋｅｗｏｄｓ：ｍａｅｍｅａｉｎ；ｐｕｓ — ｏｕｅｕａｔｙｒｉｇｅｓｇｎｔｔｏｌｅｃｐｌｄｎｅｒｌｎｅｗｏｒｓ；ｍａｉｕｏｒｅａｉｒｔｒｏｎｋｘｍｍｃｒｌｔｏｎｃｉｅｉ
中图分类号：３１ＴＰ９文献标志码：Ａ
ＩａｅＳｇｅａｉｎＭｅｈｄＢａｅｎＰＣＮＮｎｄｍｇｅｍｎｔｔｏｔｏｓｄｏａＴｗｏｄｍｅｉｎＭＣＣ — ｉｎｓｏ
ＤＥＮＧｉｇｏＬｎｂ（ｔｌｒａｅｆＰＡｒｉｅｙＡｃｄｍｙｏＬＡ，Ｈｅｅ２０３，ｉａｌｆｉ３０１Ｃｈｎ）ＡｂｔａｔＴｈｌｏｉｈｔａｅｍｅｔｍａｅｔｕｓ－ｏｐｅｅｒｌｎｔｒｓ（ＣＮＮ）ａｄｔ — ｉｎｉｎｍａｉｓｒｃ：ｅａｇｒｔｍｈｔｓｇｎｓｉｇｓｗｉｐｌｅｃｕｌｄｎｕａｅｗｏｋｈＰｎｗｏｄｍｅｓｏｘ — ｍｕｃｒｅａｉｎｃｉｒｏ（ＣＣ）ｗａｒｓｎｅ．ＴｈｒｓｌｓｇｒｈｃｏｅａｉｎｉｗｏｄｍｅｓｏＣＣｔａｎｔ — ｍｏｒｌｔｒｅｉｎＭｏｔｓｐｅｅｔｄｅｅｉｅｓｌａｉｍｉｐｒｔｎｔ — ｉｎｉｎＭｏｔｏｈｎｉｗｏ
算目标和背景的最大相关准则系数，取最大相关
１引言

基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法

＊Ｃ０ｒｐｒ０ｇａｔｏｕｈｒ，Ｅｍａｌｈｔｉｕｈｎ。３ｃｒ－ｉ：ｉｌｙｎｏｇ１．ｏ（６ｎ
Ａｂｔａｔｓｒｃ：ＴｈｉｎｒｆｌｅｉｇｐｉｃｐｅａｄｃａａｔｒｓｉｓｏｌｅＣｏｐｅＮｅｒｌｅｗｏｋＰｅＷｅｅｉｒｎｒｎｉｌｎｈｒｃｅｉｔｃｆＰｕｓｕｌｕａｔｒ（ＣＮＮ）ｔａＮｍｏｅｒｎｌｚｄａｄａｗａｅｅｄｐｉｅｄｎｉｉｇｍｅｈｄｂｓｄｏｈＮＮ（ — ＮＮ— Ｄ）ｓｄｌｗｅｅａａｙｅｎｖｌｔａａｔｅｏｓｎｔｏａｅｎｔｅＰＣｖＷＰＣＷｗａ
法，出了一种基于ＰＮ模型的小波自适应斑点噪声滤除算法（ＰＮＮＷＤ）改善超声图像质量。首先，超声提ＣＮＷ— Ｃ — 来对
图像进行对数变换，斑点噪声转换为加性噪声；医学图像进行维纳滤波处理，算其加性噪声的标准方差，以此使对计并作为小波阈值。然后，用小波变换对图像进行预处理，用ＰＮＮ在小波域中对小波系数进行相应的修正。最后，利利Ｃ进
基于脉冲耦合神经网络模型的小波自适应斑点噪声滤除算法
李云红，伊欣
（西安工程大学电子信息学院，陕西西安７０４）１０８

基于脉冲耦合神经网络的图像分割

ｉｄｎｒｅｎｈｎｅｅｖｓｏＣＮＮｏｒｓｎｉｇｔｉｅｓｏｇｅａｅｃｎｉｅｅｓｔｒｅｎｈｆｅｅｖｓａｄｔｅｕｆｒｄｎｒｅｆＰｒｉｃｒｅｐｄｎｏｐｘｌｆｉｏｍａｒｏｓｄｒｄａａｇｔａｄｔｅ
９０一
维普资讯
因本文研究基于ＰＮＣＮ的图像分割。
∑
收稿日期：２００８—０ —１１７
（）￡
（）２
ｌＰＮ原理ＣＮ
ＰＮＣＮ神经元结构见图１示，括：收域、所包接调制域、冲发生器三部分。脉
一
作者简介：黄晓莉（９２一）女，川理１学院电子与信息＝系讲１７，四：ｒ程师，士研究生，硕主要研究方向为模式识别与智能系统。
割】基于梯度的图像分割、】、利用区域增长进行图像分割等。由于图像的灰度会受到光照、体反射面物的反射特性或者可视面的方向等的影响，目前还没
有一个通用的图像分割方法和评判分割结果的客观标准。Ｈｎ在文献［］ｕｇ２中详细地介绍了图像分割中遇到的各种困难。ＰＮ＿理图像具有旋转不ＣＮｌ处３ “ 变性、度不变性、强尺度不变性、曲不变性等特性，扭
ＨＵＡＮＧａ．ｉＺＸｉｏ１，ＥＮＧａｇｌＨｕｎ－ｉｎ，ＷＡＮＧｕｂ，ＬＵｎ－ｈｎＸｉ．ｉＩＹｏｇｃｕ

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（ＰＣＮＮ —ＰｕｌｓｅＣｏｕｐｌｅｄ
ＮｅｕｒａｌＮｅｔｗｏｒｋ）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，ＰＣＮＮ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ＰＣＮＮ
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：ＴＰ１８３文献标识码：Ａ
影响分割速度。针对ＰＣＮＮ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）

基于神经网络的图像分割算法在FPGA上的实现

基于神经网络的图像分割算法在FPGA上的实现封士永;康彬【摘要】脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)是一种新型神经网络模型,作为研究图像分割的常用方法,一直广受关注.针对目前大量文献关注PCNN模型仿真实现研究的情况,本文基于PCNN模型提出了将最小交叉熵分割算法在FPGA硬件平台上进行实现.相比于传统的PCNN软件实现以及最大信息熵分割算法实现的方案,本文提出的图像分割方案最佳分割精准度高,具有处理速度快,实时性强,图像分割效果好的优势,应用范围更广,因此该设计具有较高实际应用价值.【期刊名称】《电子设计工程》【年(卷),期】2015(023)005【总页数】6页(P128-133)【关键词】PCNN;图像分割;最佳分割;最小交叉熵;FPGA【作者】封士永;康彬【作者单位】国电南瑞科技股份有限公司江苏南京211000;南京邮电大学江苏南京210003【正文语种】中文【中图分类】TP391脉冲耦合神经网络（Pulse Coupled Neural Network，PCNN）是由Eckhorn等人根据对猴、猫等哺乳动物视觉皮层神经系统中神经细胞之间信号传导特性的研究，创建的一种神经网络模型。

在PCNN中，具有相似输入的神经元同时发放脉冲，能弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整保留图像区域信息，这非常有益于将其应用于图像分割领域[1-2]。

基于PCNN模型的图像分割算法通常是在PC平台上用MATLAB软件编程实现，这种方式具有易于实现的特点，但是它的实时性和处理速度却不尽如人意。

随着硬件芯片性能越来越强大，研究热点逐步转向了在硬件上实现PNCC模型的图像分割。

以往，PCNN的硬件实现多数通过使用CMOS来实现，如Kinser提出采用复杂CMOS电路实现的完整PCNN 模型[3-6]。

这些硬件实现的诸多优势也逐渐显现出来，如实时性强，速度快等。

基于脉冲耦合神经网络的火焰图像分割技术研究

科技且基于脉冲耦合神经网络的火焰图像分割技术研究厉谨李力(西安工程大学电信学院，陕西西安710048)／一￡}商耍】。

火妥是我们日常生活最常见的一种灾害。

目前已经出现了许多火灾探测的技术，如测温、感烟、感光等。

传统的火灾报警系统并‘‘不检测火焰本身，所以存在误报率高、捡测时间较长等钝最。

／．暖嗣阙】火焰图像；区域周长；PCN N火灾是我们日常生活最常见的一种灾害。

目前已经出现了许多火灾探测的技术，如测温、感烟、感光等。

传统的火灾报警系统并不检测火焰本身，所以存在误报率高、检测时间较长等缺点。

数字图像处理技术是研究模拟人眼功能来完成人们某些工作的一门学科。

图像型火灾探测报警技术就是把数字图像技术和火灾相结合，对图像中可能存在的火焰依据特征来进行识别并实现自动报警的目的。

利用基于PC N N分割的火焰图像检测方法来实现火灾预报与传统的方澍目比可以有效地提高预报精度、缩短预报时间。

物质燃烧时同时也产生光辐射，火灾的各种热物理现象存在着大量的红外辐射，本文采用3．6—4．6u m波段的红外C C D摄像头进行火灾图像的摄取。

1火焰图像有效信息的获取对-T--利用摄像机所拍摄的视频一般来说摄得的图像大部分时间内背景应该是比较一致的，只需相看一下判断有无异常情况，在这我采用的方法是将两帧图像进行差值运算，再来观察图像灰度是否发生变化。

此算法的运算量不大，能满足系统实时性的要求。

A Pi(X，y)=P I仅，y)一P(×，Y)n)其中，P；(×，Y)为当前需处理的图像，P(×，Y)为基准图像。

当△P i=0时表示无异常；A Pj≠O时，表示可能存在异常，则需进行更深入的判断。

2基予PC N N的火焰图像的分割和提取经过差值处理后的图像可能有多个疑似火源的目标区域，区域分割即是找出火焰疑似区域并将有特征信息的区域从背景中分离出来。

在这里采用了脉冲耦合神经网络来进行分割。

‘脉冲耦合神经网络是在生物模型启发下产生的一种图像处理算法，该模型具有对图像二维空间相似、灰度相似的相素进行分组的特点，并能减少图像局部灰度差值，弥补图像局部微小间断，这是其他图像分割无法比拟的特点。

基于三维脉冲耦合神经网络模型的医学图像分割信号与信息处理

摘要：该文将脉冲耦合神经网络模型从二维平面扩展到三维空间，同时提出一种新饷乘积型互信息算法，其将作为脉冲耦合神经网络分割算法的最优分割准则，并将两者结合实现三维医学图像的整体自动分割．用该文提利
ＳＩｕ，ＣＨＮＧＱａ，ＺＯＮＧＪｎＨｎＪＡｉｎＨｉ
ＳｈｏｏｍｍｕｉａｉｎａｄＩｆｒｔｎＥｇｎｅｉｇＳａｇａｎｖｒｉ，ｈｎｈｉ００２ｈｎｃｏｌｆＣｏｎｃｔｎｎｏｍａｉｎｉｅｒｎ，ｈｎｈｉＵｉｅｓｔＳａｇａ０７，Ｃｉａｏｏｙ２
文章编号：２５２９２１）６００—７０５— ７（０００—６９８０
ＳｇｅｔｔｏｆＭｅｃｌＩａｅａｅｎＴｈｒｅＤｉｅｉｎａｅｍｎａｉｎｏｄｉａｍｇｓＢｓｄｏｅｍｎｓｏｌＰｕｌｅｓＣｏｕｐｌｄＮｅａｅｗｏｋＭｏｄｅｅｕｒｌＮｔｒｌ
ｉａ，ｃｍｐｕｔｉｎｏｐｌｘｉｙｍｇｅｏａｔｏｃｍｅｔ
人体组织器官的三维图像分割是医学图像分析中
最基本和最重要的环节之一，是医学图像三维可视也
割方法不能利用三维序列图像的空间信息．三维整体分割方法充分利用了三维空间的位置信息，对每个像
ａｎｗｒｌｆｐｉａｉｇｅｍｅｔｔｎｎｍｄｐｏｕｔｔａｉｆｍｔｎ（ＭＩ，ｓｒｐｓ．ａｅｎｅｅｏｏｔｌｍａｅｇｎａｉ，ａｅｒｄｃｍｕｕｌｏａｉＰ）ｉｐｏｏｅＢｓｄｏｕｒｍｓｏｒｏｎｄ

脉冲耦合神经网络在指纹图像分割中的应用

变性和信号扭曲不变性，其在图像处理方面有其故
优势是有生物学依据的．ＰＮＣＮ可有效地用于图像处理的各个方面，从而整个图像处理系统都可用ＰＮＣＮ构成．于Ｐ．由Ｃ
维普资讯
第３３卷第１０期２００６年１０月
应
用
科
技
Ｖｏ＿３．．１ｌ３Ｎｏ００ｃ＿ｏｏ【２６
ＡｐｌｅＳｉｎｅａｄＴｅｈｌｇｐｉｄｃｅｃｎｃｎｏｏｙ
文章编号：０９— ７Ｘ（０６１０２０１０６１２０）０— ０５— ３
脉冲耦合神经网络在指纹图像分割中的应用
栾志强，呜，峙江刁赵
（尔滨工程大学信息与通信工程学院，哈黑龙江哈尔滨１００）５０１摘要：冲耦合神经网络（ＣＮ）２脉ＰＮ是０世纪９０年代形成和发展的一种新型神经网络．研究发现，可用ＰＮＣＮ
ＬＡｈ—ｉｇＤＡｎ，ＨＡｈ－ａｇＵＮＺｉａ，ＩＯＭｉｇＺＯＺｉｉｑｎｊｎ
（ｏｅｅｏｆｍｔｎａｄＣｍｕｉｔｎＥｇｅｒｇＨｒｉＥｇｅｒｇＵｉｅｉ，ａｂｎ１００，ｈｎ）Ｃｌｇｆｎｏａｉｎｏｍｎａｏｎｉｅｎ，ａｂｎｎｉｅｎｎｖｒｔＨｒｉ５０１ＣｉｌＩｒｏｃｉｎｉｎｉｓｙａ
ＡｂｔａｔＰｌｏｐｅｅｒｌｅｗｒ（ＣＮ）ｉａｎｗｎｕａｎｔｏｋｗｉｈｗｓｅｅｏｅｎｒｅｅｓｃ：ｕｓｃｕｌｄｎｕａｎｔｏｋＰＮｒｅｓｅｅｒｌｅｒ，ｈｃａｖｌｄａｄｆｍｄｉｔｗｄｐｏｎｈ

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)。

本科毕业设计论文
题目基于脉冲耦合神经网络的图像处理算法研究
专业名称自动化
学生姓名
指导教师
毕业时间
毕业任务书
题目
基于脉冲耦合神经网络的图像处理算法研究
二、指导思想和目的要求
1、掌握脉冲耦合神经网络对于图像滤波的算法；
2、熟悉MATLAB平台；
3、掌握图像处理的流程与仿真方法；
4、掌握科研工作的一般思路和方法，培养独立的科研能力。
KEYWORDS:Pulse-Coupled Neural Network，image noise，eliminate Gaussian noise
第1章
1.1
人工神经网络是近几十年新兴的一门学科。它涉及到神经生理学、电子学、计算机科学、数学等多门学科，己经被广泛的应用于人工智能、信息处理、模式识别、自动控制等诸多领域[3]。
三、主要技术指标
1、给图片加入高斯噪声；
2、通过多种算法完成对高斯噪声的滤波；
3、还原图片的原貌即无噪声的情况。
四、进度和要求
2－3周：翻译英文资料；
4－8周：学习脉冲耦合神经网络的图像处理算法，熟悉MATLAB编程；；
9－11周：基于脉冲耦合神经网络对图像进行滤波处理的技术研究；
12－15周：撰写毕业论文。
1.3本文的章节安排4
第2章脉冲耦合神经网络6
2.1脉冲耦合神经网络的基本模型6
2.2脉冲耦合神经网络的基本特性研究10
2.3简化模型的行为分析12
2.4简化模型的图像处理原理分析14
2.5 PCNN应用于数字图像处理15
2.6本章小特点17
五、主要参考书及参考资料
1、高隽，人工神经网络原理及仿真实例，机械工业出版社，2003年；
2、郑君里，杨行峻，人工神经网络，高等教育出版社，1991年；
3、焦李成，神经网络系统理论，西安电子科技大学出版社，1990年；
4、韩力群，人工神经网络理论设计及应用，化学工业出版社，2007年；
5、马义德等，脉冲耦合神经网络原理及其应用，科学出版社2005年。
6、王润生，图像理解[M]，长沙：国防科技大学出版社，1995.56-57。
7、董继扬.基于脉冲耦合神经网络的灰度图像边缘提取.计算机应用.2003，23(9).50-52。
学生雷潇指导教师王红梅系主任
目录
摘要1
ABSTRACT2
第1章绪论3
1.1研究的目的和意义3
1.2 PCNN在国内外的研究现状3
3.2基于简化PCNN模型的参数选取19
3.3基于PCNN的图像噪声滤除算法20
3.4仿真及实验结果分析23
3.5本章小结28
第四章总结与讨论29
4.1毕业设计小结29
4.2课题展望29
致谢30
参考文献31
摘
脉冲耦合神经网络(Pulse-Coupled Neural Network,简称PCNN)是基于对猫的视觉皮层神经元脉冲串同步振荡现象的研究发展而来的神经网络模型，被称为第三代人工神经网络，与传统的人工神经网络模型相比较，因其具有动态神经元、时空总和特性、波的自动传播、同步脉冲发放等特性而备受关注。PCNN的工作原理和其在图像处理、雷达声纳、电子行业、医药卫生、语音信号处理等领域的应用在国内外受到广泛重视。近年来，国内对PCNN的研究发展也非常重视。本文的主要工作有：(1)深入分析了PCNN的工作机理和运行行为，并对其特性和应用领域进行详细介绍；(2)介绍了高斯噪声的特点；(3)基于PCNN网络对图像的高斯噪声进行滤除；(4)分别采用均值算法、中值算法与基于PCNN的算法相比，实验结果表明采用基于PCNN的算法得到的图像效果好，处理结果轮廓清晰并且细节保留较完整，在实际应用中有一定的优越性。最后总结了本文的实验成果，同时研究中出现的不足和问题有待日后解决。
人工神经网络由许许多多的神经元按照一定的结构组成，人工神经网络中神经元并行分布的运算的原理、快捷的学习算法、有效的认知系统引起了广大学者的高度重视和广泛研究[2-4]。时至今日，对人工神经网络的研究已经取得了很多的进展，研究人员先后提出了很多种人工神经网络模型，如BP网络模型(前馈网络)[5]、Hopfiele网络（一种全联结反馈网络）[3]、M-P网络模型[1]、CNN网络模型[6]、PCNN网络模型[5、8]等。
关键词：脉冲耦合神经网络，图像噪声，滤除高斯噪声
ABSTRACT
Pulse-Coupled Neural Network (Simplified as PCNN)is a model built through the simulation of the outbursts of synchronous pulses in the visual layer of a cat's cerebra. It is called the third generation artificial neural network. Much attention has been paid to the mechanism of PCNN and its applications. More and more researchers have also paid attention to it at home. This thesis does some works:(1)The mechanism and behavior of PCNN are analyzed, and the PCNN is applied to image processing、radar、sonar、biomedicine、signal processing and so on.(2)Introduce the characteristic of Gaussian noise. (3)Eliminate image noise(Gaussian noise)based on PCNN.(4)Use means algorithm, median algorithm respectively, and compare with the algorithm base on PCNN, the results of experiments indicates that means algorithm has several advantages, such as clear profile and abundant details. Finally, we summarize the done works, and list some disadvantages and unsolved problems.