目前脈沖稱合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network,PCNN)應(yīng)用于圖像的分割方法研究中廣泛存在模型參數(shù)過于復(fù)雜導(dǎo)致分割時(shí)間過長且需要人工調(diào)整參數(shù),模型本身對(duì)噪聲圖像的不適應(yīng)性以及傳統(tǒng)PCNN的單通道點(diǎn)火特性無法實(shí)現(xiàn)對(duì)目標(biāo)像素準(zhǔn)確定位的問題。在這一背景下,本文將在實(shí)現(xiàn)PCNN參數(shù)自適應(yīng)性、提高圖像的抗噪性、改進(jìn)模型最優(yōu)化判別準(zhǔn)則以及多通道融合等幾方面進(jìn)行研究,論文的主要工作有:1.本文在一種簡(jiǎn)化PCNN模型的基礎(chǔ)上利用圖像方向信息測(cè)度的方法實(shí)現(xiàn)鍋合連接強(qiáng)度系數(shù)的自適應(yīng)性。2.本文通過整合拉普拉斯算子和高斯函數(shù)設(shè)計(jì)反饋輸入域的連接系數(shù)矩陣,使圖像在分割過程中有效保護(hù)邊緣細(xì)節(jié)的同時(shí)也具有抗噪性。3.本文提出一種雙閾值判斷準(zhǔn)則,該方法通過最大類間方差法進(jìn)行初次點(diǎn)火,并生成抑制神經(jīng)元,在點(diǎn)火判別的模型基礎(chǔ)上抑制非目標(biāo)像素的點(diǎn)火。4.本文提出一種結(jié)合灰度化權(quán)值調(diào)整的改進(jìn)PCNN圖像分割方法。該方法采用最大類間方差法對(duì)已經(jīng)分割的多通道口標(biāo)進(jìn)行測(cè)度,并根據(jù)測(cè)度信息對(duì)提取的多通道信息加以融合。

【文章頁數(shù)】：48 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外基于PCNN圖像分割研究現(xiàn)狀
        1.2.1 PCNN參數(shù)自適應(yīng)性研究現(xiàn)狀
        1.2.2 最優(yōu)化判斷準(zhǔn)則研究現(xiàn)狀
        1.2.3 提高分割圖像的抗噪性研究現(xiàn)狀
        1.2.4 PCNN關(guān)于彩色圖像的研究現(xiàn)狀
    1.3 論文主要工作與創(chuàng)新
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 圖像分割方法概述
    2.1 引言
    2.2 圖像分割定義
    2.3 圖像分割方法簡(jiǎn)述
        2.3.1 基于閾值的分割方法
        2.3.2 基于聚類的分割方法
        2.3.3 基于圖論的圖像分割方法
        2.3.4 基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法
    2.4 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介
        2.4.1 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型
        2.4.2 適應(yīng)于圖像分割的改進(jìn)
    2.5 本章小結(jié)
第3章 基于雙閾值的改進(jìn)SPCNN分割方法
    3.1 簡(jiǎn)化的PCNN模型及原理
    3.2 模型的改進(jìn)及參數(shù)的設(shè)置
        3.2.1 連接系數(shù)矩陣設(shè)計(jì)
        3.2.2 調(diào)制域的連接強(qiáng)度設(shè)計(jì)
        3.2.3 雙閾值判別準(zhǔn)則
        3.2.4 基于SPCNN的雙閾值自適應(yīng)分割方法
    3.3 實(shí)驗(yàn)分析及結(jié)果
        3.3.1 實(shí)驗(yàn)結(jié)果及分析
        3.3.2 客觀評(píng)價(jià)準(zhǔn)則
        3.3.3 參數(shù)自適應(yīng)性驗(yàn)證
        3.3.4 綜合評(píng)測(cè)
    3.4 本章小結(jié)
第4章 結(jié)合灰度權(quán)值化的改進(jìn)PCNN分割方法
    4.1 多通道彩色空間模型
        4.1.1 改進(jìn)PCNN圖像分割模型
        4.1.2 最大類間方差準(zhǔn)則
        4.1.3 灰度權(quán)值調(diào)制設(shè)計(jì)
        4.1.4 基于灰度權(quán)值化的改進(jìn)PCNN圖像分割方法
    4.2 實(shí)驗(yàn)結(jié)果與分析
    4.3 綜合評(píng)測(cè)
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3850934