脈沖耦合神經網絡(Pulse Coupled Neural Network,PCNN)是20世紀90年代初,提出的一種模擬哺乳動物視覺神經細胞特性的網絡模型,由于它本身擁有變閾值、捕獲、自動波以及綜合時空等生物視覺背景特性,非常適合應用在圖像處理領域。本文對PCNN原理和模型進行了深入研究,針對現有PCNN圖像分割中參數多,設置困難,分割評價不具體全面;PCNN圖像融合中對源圖像清晰區(qū)域劃分不精確,傳統(tǒng)區(qū)域清晰度特征抗噪性能較差,融合結果質量不高等問題,將PCNN與粒子群優(yōu)化(Particle Swarm Optimization,PSO)和非下采樣Contourlet變換(Nonsubsampled Countourlet Transform,NSCT)算法相結合,提出了新的圖像分割方法和融合算法。為了解決PCNN在圖像分割中多參數設定以及評價準則單一的問題,提出了一種結合PSO和綜合評價準則的PCNN圖像自動分割方法。采用單調遞增閾值搜索策略的PCNN改進模型,將PSO優(yōu)化原理與由交叉熵參數,邊緣匹配度和噪點控制度共同構成的綜合評價相結合,以綜合評價作為粒子的適應度函數,自動尋優(yōu)獲...

【文章頁數】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 研究目的和意義
        1.2.1 PCNN與圖像分割
        1.2.2 PCNN與圖像融合
    1.3 論文主要研究工作與內容安排
第2章 脈沖耦合神經網絡基本理論
    2.1 脈沖耦合神經網絡基本模型
    2.2 PCNN模型參數
    2.3 PCNN工作機理
        2.3.1 無耦合連接
        2.3.2 耦合連接
    2.4 PCNN基本特性
    2.5 小結
第3章 結合PSO和綜合評價的PCNN圖像自動分割
    3.1 PCNN圖像分割模型
    3.2 結合PSO和綜合評價準則的圖像分割算法
        3.2.1 PSO優(yōu)化原理
        3.2.2 綜合評價準則
        3.2.3 算法步驟
    3.3 圖像分割實驗與分析
    3.4 小結
第4章 基于NSCT和DCPCNN的圖像融合方法
    4.1 NSCT變換
    4.2 分段式動態(tài)閾值DCPCNN圖像融合模型
    4.3 基于NSCT和DCPCNN的圖像融合算法
        4.3.1 低頻子帶系數融合規(guī)則
        4.3.2 高頻子帶系數融合規(guī)則
    4.4 圖像融合算法實驗與分析
        4.4.1 DCPCNN圖像低頻系數融合模板
        4.4.2 多聚焦圖像融合
    4.5 小結
第5章 總結和展望
    5.1 論文總結
    5.2 研究展望
參考文獻
致謝
攻讀碩士學位期間的研究成果



本文編號：3834314