基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割應(yīng)用研究.pdf

1、脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)是一種新型的神經(jīng)網(wǎng)絡(luò)，該模型是針對于動物大腦視覺皮層實(shí)驗(yàn)中所觀察到的與特征有關(guān)的神經(jīng)元同步行為現(xiàn)象而提出的。PCNN直接來源于哺乳動物的視覺特性研究，具有相鄰的相似性集群神經(jīng)元可同步發(fā)放脈沖的特性，能夠彌補(bǔ)輸入數(shù)據(jù)的空間不連貫和幅度上的微小變化，從而較完整地保留圖像的信息，這非常有利于圖像的分割。這些特性使得PCNN不僅具有重要的理論意義，而且還具有非常廣闊的應(yīng)用前景。
　　 在圖像分析中，熵作為一種

2、圖像的統(tǒng)計(jì)特性，反映了圖像中包含信息量的大小。對于圖像分割而言，分割后圖像的熵值越大，說明分割后從原圖所得到的信息量也越大，分割圖像的細(xì)節(jié)也越豐富，因而總體分割的效果也就越好。模糊熵在圖像分割中用來度量分割后的圖像的模糊度的大小，依據(jù)模糊熵最大的準(zhǔn)則，分割后圖像的模糊熵越大，包含原圖像中的信息就越多，在一系列分割結(jié)果中，模糊熵最大的分割圖就是最優(yōu)的分割結(jié)果。
　　 本文首先將PCNN與簡化的PCNN這兩種神經(jīng)網(wǎng)絡(luò)模型分別應(yīng)用于部

3、分典型圖像和醫(yī)學(xué)圖像的分割，將其分割結(jié)果與典型的Otsu分割方法所獲得的結(jié)果進(jìn)行比較，然后對這兩種PCNN模型在圖像分割中的應(yīng)用進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明，應(yīng)用這兩種PCNN模型，得到了較好的分割圖像，說明此模型在圖像分割中有較好的有效性和適應(yīng)性。
　　 本文通過結(jié)合圖像模糊熵這一概念，將最大模糊熵準(zhǔn)則應(yīng)用到PCNN的圖像分割中，提出了一種基于最大模糊熵的圖像分割算法。在迭代次數(shù)設(shè)置好的前提條件下，該算法能分割出包含原圖像信息最多的