基于PCNN模型的圖像分割算法研究.pdf

1、近年來，隨著信息化進(jìn)程的加快和計(jì)算機(jī)技術(shù)的快速發(fā)展，人們在生活與生產(chǎn)中對計(jì)算機(jī)視覺的需求越來越迫切。計(jì)算機(jī)視覺是采用計(jì)算機(jī)模擬生物視覺系統(tǒng)對環(huán)境進(jìn)行感知和理解，其在軍事、工業(yè)生產(chǎn)以及智能監(jiān)控等方面具有較大的潛在價值，而圖像分割作為計(jì)算機(jī)視覺系統(tǒng)對圖像處理的第一步，是計(jì)算機(jī)視覺的核心技術(shù)之一。
　　目前常用的圖像分割算法有閾值法、邊緣檢測法、聚類分割法以及活動輪廓模型分割法等。本文在研究經(jīng)典分割算法的基礎(chǔ)上，針對復(fù)雜背景環(huán)境下圖像的

2、分割，提出了改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)（Improved Pulse Coupled Neural Network,IPCNN）圖像分割方法，主要開展了如下研究工作：
　　(1)針對當(dāng)前圖像分割算法缺乏統(tǒng)一的評價準(zhǔn)則。本文對已有的圖像分割算法性能評價準(zhǔn)則進(jìn)行了詳細(xì)的分析研究，為改進(jìn)和提出新的評價準(zhǔn)則奠定了理論基礎(chǔ)。同時，考慮到大部分原始圖像受到噪聲污染，在分割前需進(jìn)行預(yù)處理，因此，對幾類經(jīng)典圖像預(yù)處理方法進(jìn)行了理論分析與實(shí)驗(yàn)研究以檢驗(yàn)

3、其處理效果，為后續(xù)的圖像分割提供了保障。
　　(2)總結(jié)了閾值分割法、Snakes模型分割法、C-V模型分割法等經(jīng)典算法的原理，并通過實(shí)驗(yàn)對比分析了以上算法中存在的問題及其適用環(huán)境，為隨后的復(fù)雜背景環(huán)境下圖像分割的研究奠定了基礎(chǔ)。
　　(3)詳細(xì)論述了PCNN的數(shù)學(xué)模型與工作原理，針對復(fù)雜背景環(huán)境下傳統(tǒng)圖像分割算法存在分割精度低、抗干擾性差等問題，本文利用PCNN模型神經(jīng)元的耦合特性，提出了基于PCNN模型的圖像分割算法，在

4、此基礎(chǔ)上綜合考慮了像素點(diǎn)間的相關(guān)性，引入多閾值思想對PCNN模型進(jìn)行了改進(jìn)，同時引入?yún)^(qū)域均勻性測度函數(shù)實(shí)現(xiàn)了最優(yōu)分割結(jié)果的自動選取，經(jīng)實(shí)驗(yàn)證明，該算法的分割效果、抗干擾性、運(yùn)算速度以及穩(wěn)定性等方面得到了不同程度的提升。
　　(4)針對PCNN模型中參數(shù)復(fù)雜多變，且參數(shù)的選取對分割效果和效率影響較大等問題，本文提出利用二維最大類間方差法對初始閾值進(jìn)行優(yōu)化，并且為了提高算法的實(shí)時性，推導(dǎo)并給出了相關(guān)快速遞推公式；同時，不同于傳統(tǒng)PCN