基于脉冲耦合神经网络的图像分割与融合研究

基于脉冲耦合神经网络的图像分割与融合研究

论文摘要

脉冲耦合神经网络(Pulse Coupled Neural Network——PCNN)是20世纪90年代发展起来的一种新型神经网络,该网络的神经元模型是模拟视觉神经细胞活动而得到的人工神经元模型,所以这种网络的背景是以生物学为基础的。由于PCNN在弱连接的情况下,有尺度不变性、旋转不变性、信号强度不变性、信号扭曲不变性以及在图像处理的同时将二维空间变量转化为一维时间序列等特点,使它非常适合图像处理环境,已经成为图像处理的一种工具。本文对PCNN在图像分割和图像像素级融合两个图像处理领域做了一定的研究。首先在图像分割方面,通过对PCNN工作机理的分析,对原始模型进行了改进,利用改进后的PCNN进行图像分割,并提出了一种图像分割终止准则;针对PCNN网络参数对图像分割的影响,设计了参数能够根据图像进行自适应调整的图像分割系统,该系统是一个建立在机器视觉基础上的自适应闭合系统,实验表明这种方法是可行的。在图像融合方面,针对不同类别的图像,在详细分析PCNN特点的基础上,利用其不同的特性,设计了不同的算法。针对局部互补的图像,利用PCNN的脉冲累计对像素进行选择,在这部分提出了两种取舍准则,对一些文献提出的方法做了补充,总结了不同图像利用何种准则;对红外和可见光图像,利用PCNN脉冲同步机制,提出了基于图像内容的自适应加权融合,利用了局部交叉熵作为权值调整的方向;对不同聚焦的图像,首先进行小波分解,对低频系数利用加权融合规则,对高频系数利用PCNN的脉冲爆发机理作为融合规则,然后进行图像重构,对不同的小波分解方式的融合效果做了总结,该方法普遍适用于不同聚焦图像的融合。对以上算法都进行了大量的实验验证,效果良好。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 研究的目的和意义
  • 1.2 与本文相关的关键技术发展动态
  • 1.2.1 PCNN 与图像分割技术
  • 1.2.2 PCNN 与图像融合技术
  • 1.3 本文主要研究内容和组织安排
  • 1.4 本章小结
  • 第二章 PCNN 的基本理论及图像应用
  • 2.1 脉冲耦合神经网络的发展及应用趋势
  • 2.2 生物视觉模型
  • 2.3 脉冲耦合神经元模型
  • 2.3.1 突触部分
  • 2.3.2 耦合部分
  • 2.3.3 脉冲发生部分
  • 2.4 脉冲耦合神经网络
  • 2.4.1 PCNN 的脉冲机制分析
  • 2.4.2 PCNN 应用于数字图像处理
  • 2.5 本章小结
  • 第三章 基于PCNN 的图像分割
  • 3.1 图像分割的定义
  • 3.2 PCNN 用于图像分割
  • 3.3 基于改进型PCNN 图像分割
  • 3.3.1 用于图像分割的改进模型
  • 3.3.2 点火模式
  • 3.3.3 分割终止准则
  • 3.3.4 实验结果与分析
  • 3.4 基于参数自适应优化PCNN 图像分割
  • 3.4.1 遗传算法
  • 3.4.2 系统流程及实现过程
  • 3.4.3 实验结果与分析
  • 3.5 本章小结
  • 第四章 基于PCNN 的像素级图像融合
  • 4.1 图像融合
  • 4.2 基于PCNN 累积点火脉冲的图像融合
  • 4.2.1 融合过程
  • 4.2.2 实验结果及分析
  • 4.3 基于PCNN 的图像内容自适应加权融合
  • 4.3.1 融合过程
  • 4.3.2 实验结果及分析
  • 4.4 基于小波分解PCNN 图像融合
  • 4.4.1 小波变换
  • 4.4.2 融合过程
  • 4.4.3 实验结果及分析
  • 4.5 本章小结
  • 第五章 全文总结
  • 参考文献
  • 致谢
  • 个人简历
  • 在学期间撰写的论文
  • 相关论文文献

    标签:;  ;  ;  

    基于脉冲耦合神经网络的图像分割与融合研究
    下载Doc文档

    猜你喜欢