基于自適應PCNN模型的圖像處理.pdf

1、目前，人們對脈沖耦合神經網絡(pulse coulped neural networks，PCNN)的研究已經十分廣泛和深入，其在圖像領域的處理能力也日顯強大。PCNN模型作為單層的神經網絡模型，不需訓練就能實現模式識別、圖像分割、目標分類等，因此非常適合于實時圖像處理環(huán)境。PCNN網絡作為一種多參數的系統(tǒng)，對于同一幅圖像不同的參數組合有時候會得到相同的網絡迭代特性，但當圖像不同時這種情況又會發(fā)生變化，從而使參數的設置沒有標準可言，很多

2、情況下理想的參數都是依靠經驗獲得。
　　為實現自適應PCNN模型，本文分別將PCNN模型與粒子群優(yōu)化(particalswarm optimization，PSO)算法和人工蜂群優(yōu)化(artifical bee colony，ABC)算法相結合，通過優(yōu)化PCNN模型參數和全局閾值，實現圖像的自適應分割。
　　同時PCNN模型是基于哺乳動物視覺神經模型而提出的，與人類視覺系統(tǒng)對圖像邊緣細節(jié)的信息比較敏感的情況更加符合。本文提出

3、PSO-PCNN模型與PSO算法多尺度分解相結合的圖像融合算法，針對多尺度分解得到的高頻和低頻部分，高頻子帶圖像代表圖像邊緣細節(jié)信息，將高頻子帶中的灰度值直接作為PCNN神經元的激勵;低頻部分采用改進后的空間頻率作為PCNN的激勵，有效抑制噪聲對融合圖像的影響并有效的選擇融合圖像的融合系數，實現了圖像的自適應融合。
　　鑒于傳統(tǒng)優(yōu)化算法中的適應度函數中都存在對數機制，本文提出了兩種不含對數機制的適應度函數，即乘積型交叉熵以及乘積型