脉冲耦合神经网络在图像分割与图像检索中的应用研究

论文摘要

脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)是一种有着严格生物学背景的且不同于传统人工神经网络的第三代人工神经网络。与传统的人工神经网络相比,PCNN具有阈值动态可变的特性,双通道相乘调制特性、脉冲发放特性,能够很好地模拟生物神经元的脉冲发放、疲劳和不应期等现象。PCNN有了这些特性,就使得它能更好的去模拟实际的生物神经元,对信号的处理能力就更强。目前,PCNN也被广泛应用于图像处理领域。例如：图像分割、图像融合、模式识别、路径优化、图像增强、边缘检测、图像检索等。本文主要是对PCNN的原始模型以及它的基本理论进行了分析和研究,并且通过自动确定PCNN模型参数来对图像进行分割,解决了PCNN模型参数选取难的问题,利用PCNN的简化模型对图像进行分割,利用信息熵时间序列(以下简称熵序列)作为图像的特征矢量,再利用欧氏距离与标准纹理图像库中的图像进行匹配,即计算待检测图像与库种图像的相似度,对图像进行图像检索。这就使得PCNN模型的关键参数难以选择的问题得到了解决,并且把PCNN应用于图像分割和图像检索,其分割质量和检索结果较好。以下是本文所做的研究工作及其已经取得的研究成果：一、综述脉冲耦合神经网络的原始模型和改进后的PCNN通用模型。二、介绍PCNN在图像处理方面的应用及其原理。三、提出确定PCNN模型的关键参数的方法。脉冲耦合神经网络在图像处理中有着重要应用,但存在模型参数难以选择和图像边缘过于平滑问题。本文通过对图像进行双线性插值运算,再利用具有保护图像边缘作用的各向异性扩散特性确定模型的链接权值参数,采用遗传算法求解模型的链接强度参数和衰减阈值参数,成功实现了图像的自动分割。仿真结果表明,该方法得到的图像分割结果,体现了更多的图像轮廓和边缘细节,具有较好计算性能。四、利用PCNN应用于图像处理时具有平移不变性、旋转不变性、尺度不变性,局部不变性等特征来提取图像的特征矢量,并用欧氏距离对待检索图像和标准纹理库中的图像进行匹配,提出了一种基于PCNN的图像检索方法。该方法有机的结合了图像的自适应分割和自适应图像特征提取,充分地利用了图像的空间位置特征和图像的灰度特征,并把熵序列作为图像的特征应用于图像检索。大量实验表明该方法的有效性。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 人工神经网络
• 1.2 PCNN的意义及其现状
• 1.3 本论文做的主要工作和创新点
• 第二章 PCNN的基本理论和应用
• 2.1 PCNN模型及原理
• 2.2 PCNN特性
• 2.3 改进的通用PCNN
• 2.4 PCNN的简化模型
• 2.5 PCNN的应用
• 2.5.1 图像去噪
• 2.5.2 图像分割
• 2.5.3 图像融合
• 2.5.4 目标识别
• 2.5.5 最短路径
• 2.6 本章小结
• 第三章 PCNN模型关键参数的优化及图像分割
• 3.1 存在的问题及解决办法
• 3.2 基于PCNN的图像分割
• 3.3 图像的双线性插值预处理
• 3.3.1 PCNN分割参数的确定
• 3.3.2 最大香农熵分割准则
• 3.4 PCNN图像分割流程
• 3.5 实验仿真结果及分析
• 3.6 结论
• 3.7 本章小结
• 第四章 基于PCNN的图像检索
• 4.1 存在的问题及解决
• 4.2 基于PCNN的图像检索
• 4.2.1 熵序列
• 4.2.2 图像的相似度量及欧氏距离
• 4.2.3 图像的排序评价方法
• 4.2.4 仿真结果及分析
• 4.2.5 本章小结
• 第五章 总结与展望
• 参考文献
• 攻读硕士学位期间参加的科研项目及完成的论文
• 致谢