基于脉冲耦合神经网络和进化算法的图像分割方法研究

论文摘要

图像分割作为图像处理中的一项关键技术,自20世纪70年代起受到人们的高度重视。图像分割是图像分析的第一步,是计算机视觉的基础,是图像理解的重要组成部分,同时也是图像处理中最古老和最困难的问题之一。它是由图像处理过渡到图像分析的关键步骤,在图像工程中占据重要的位置。本文根据生物视觉的特点,实现了一种基于生物视觉模型——脉冲耦合神经网络模型的图像分割算法,并通过两种进化算法实现对网络参数的优化。许多景观和图像的认知与识别对于生物来说是极其直观和简单的,但是对于机器而言却难以做到。本文基于一种生物视觉模型——脉冲耦合神经网络模型实现对图像的分割,从而达到目标检测的目的。脉冲耦合神经网络是一种不同于传统人工神经网络的新型的网络,图像中的像素点对应的神经元的输入不仅与其本身的亮度信息有关,还与其周围像素点对应的神经元的输出有关。在脉冲耦合神经网络中,具有相似输入的神经元同时发生脉冲,能够弥补输入数据的空间不连贯和幅度上的微小变化,从而较完整地保留图像的区域信息。由于图像内容、性质以及外部环境等因素影响的多样性,图像可能具有各种各样的属性。与图像的多样性相对应,脉冲耦合神经网络模型中所涉及的参数对于分割结果会产生非常重要的影响。本文采用两种进化算法优化模型中的参数,根据直方图形状、聚类和熵信息融合,设计一种目标函数,选择最适合的一组参数与每一幅图像对应,以实现最优的分割效果。实验结果表明,这种从生物视觉的角度来对图像进行分割是一种非常有效的方法,也为计算机感知和认识图像提供了新的尝试与手段。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.1.1 图像分割的定义
• 1.1.2 图像分割领域需要解决的问题
• 1.1.3 图像分割的实质
• 1.2 图像分割方法
• 1.2.1 阈值分割方法
• 1.2.2 基于边缘的分割方法
• 1.2.3 基于区域的分割方法
• 1.2.4 结合特定理论工具的分割方法
• 1.3 图像分割评价
• 1.3.1 图像分割评价的内容
• 1.3.2 图像分割评价的方法
• 1.3.3 阈值分割的量化评价指标
• 1.4 本文的主要工作及内容安排
• 1.4.1 本文的主要工作
• 1.4.2 本文的内容安排
• 第二章 神经网络图像处理技术
• 2.1 引言
• 2.2 神经网络的发展现状
• 2.2.1 神经网络的定义
• 2.2.2 神经网络的研究内容及特点
• 2.2.3 神经网络发展的意义
• 第三章 基于PCNN的图像分割算法
• 3.1 引言
• 3.2 PCNN模型及应用
• 3.2.1 Eckhorn神经元模型
• 3.2.2 PCNN模型
• 3.2.3 PCNN的应用
• 3.3 PCNN应用于数字图像处理
• 3.4 基于PCNN的数字图像分割
• 3.4.1 两个概念――自然周期和捕获范围
• θ的选择'>3.4.2 V_θ的选择
• 3.4.3 PCNN取得好的分割效果的条件
• 3.4.4 本文算法的处理结果
• 3.5 结论
• 第四章 基于参数优化的图像分割算法
• 4.1 为什么要优化网络参数
• 4.2 目标函数的设计
• 4.3 基于遗传算法的参数优化
• 4.3.1 用遗传算法优化网络参数
• 4.3.2 实验结果
• 4.4 基于粒子群优化算法的参数优化
• 4.4.1 PSO算法的生物学基础
• 4.4.2 PSO算法的基本原理
• 4.4.3 用PSO算法优化PCNN的参数
• 4.4.4 实验结果
• 4.5 结论
• 第五章 总结与展望
• 5.1 总结
• 5.2 未来工作展望
• 致谢
• 参考文献
• 作者在读期间的研究成果