20世纪90年代,脉冲耦合神经网络(Pulse Coupled Neural Network—PCNN)作为一种新型的神经网络得以发展。PCNN有着生物学背景,它的神经元模型是因为模拟视觉神经细胞活动而得到的人工神经元模型。由于PCNN在弱连接的情况下,它具有尺度不变性、旋转不变性、信号强度不变性、信号扭曲不变性以及在图像处理的同时将二维空间变量转化为一维时间序列等特点,使它非常适合图像处理环境。其应用领域涉及到多个方面,比如图像分割、图像的目标识别、运动目标识别、人工生命、决策优化等,受到了国内外学者的重视,已经成为图像处理的工具之一本文对PCNN模型参数估计及其图像分割和基于PCNN与肤色模型的人脸检测两个图像处理领域做了一定的研究。在图像分割方面,通过对PCNN工作机理进行分析,再对原始的PCNN模型进行了简化,利用简化的PCNN进行图像分割。然而,在原来的大部分相关研究文献中模型的参数多由实验人工确定。因此在这里首先利用小波分析对图像进行多层分解,然后,用分解的低频系数重构图像作为模型链接权参数W的估计,再用一种最佳阈值方法估计阂值θ,最后用最大相关准则确定网络计算的迭代次数N,在这里,除了β,所有的参数都由相应的算法决定,成功实现了图像的自动分割。实验结果与相关的文献相比较,图像的分割细节取得了较大的改善,图像的分割质量也得到比较大的提高。在人脸检测方面,本文针对单纯采用肤色检测容易误检出具有肤色特征的非人脸区域,设计出了基于PCNN和肤色模型的检测方法。首先对于彩色图像的预处理提出一种白平衡算法进行光照补偿,该方法能修正外部光线所产生的误差,更利于肤色区域的分割。然后把经过光线补偿处理后的彩色图像从RGB转换到YCbCr色彩空间并将此图像在YCbCr空间进行肤色分割,并将得到的肤色区域分割成子块,最后用PCNN来提取各个子块的点火时间序列,计算目标人脸和待测图像中各个子块的区别度,区别度最小的便是与目标人脸中的人为同一个人。该方法普遍适用于不同焦距的人脸检测。对以上算法进行了大量的实验验证,效果良好。