脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)是基于生物视觉系统机理形成的具有模数混合处理、串并联混合处理及动态自适应处理的一种空时编码新型人工神经网络。由于PCNN模型的动态变阈值、非线性调制耦合、同步脉冲发放、动态脉冲发放及时空总和等特性,使其在图像处理、自动目标识别、组合优化、人工生命等领域的研究和应用得到国内外的广泛重视。本文围绕图像处理中脉冲噪声滤除、高斯噪声滤除、弱小目标检测、二值图像自动分割、多值图像自动分割及基于内容的图像检索等若干关键问题,针对脉冲耦合神经元结构复杂性及其在图像信号处理中存在阈值反复衰减、自适应性能差和无法自动选择最佳处理结果等一些不足,研究了PCNN模型的机理,并提出改进思路与方法。论文主要内容如下:1.为有效滤除图像中严重脉冲噪声的干扰,提出了基于脉冲耦合神经网络噪声检测的两级脉冲噪声滤波算法。首先在改进自适应单位连接PCNN(AULPCNN)模型的基础上,利用其同步脉冲发放特性区分定位脉冲噪声点和信号像素点位置,其次根据噪声点局部邻域信息对噪声点进行第1级自适应滤波,然后再对前一级的滤波输出利用具有保护边缘细节特点的多方向信息中值第2级细微辅助滤波。该算法在噪声检测中无需设定检测阈值,噪声检测精度较高;在去噪过程中不但有效滤除噪声干扰,而且能很好地保护图像边缘细节等信息,具有较好的主观视觉效果和客观评价指标,去噪能力强、信噪比高和适应性好,特别是对受严重噪声污染的图像,显示了更大的优越性。2.针对图像高斯噪声的去除,提出了一种基于改进型脉冲耦合神经网络的双边滤波算法。在考虑图像高斯噪声特征的前提下,引入平滑抑制因子和自适应链接强度,并与相似神经元同步激活特性相结合,形成平滑抑制自适应连接PCNN(SIAL-PCNN)模型,然后应用在含噪图像预滤波迭代处理中,在滤除极值噪声的同时形成反映图像空时信息的赋时矩阵,最后将生成的赋时矩阵信息运用在双边滤波中,并对其进行了自适应性改进与滤除高斯噪声的处理。该算法在较好保护图像边缘细节等信息的情况下,能有效地滤除平滑区域噪声,在信噪比和去噪能力方面都有一定的提高。3.从含单一弱小目标图像特征出发,提出了结合灰度熵变换的脉冲耦合神经网络小目标图像检测算法。该方法在对含随机噪声和有复杂背景的图像进行非线性灰度熵变换滤波的基础上,考虑灰度熵值映射图在满足目标背景比先验概率的条件下,利用局部最小交叉熵判据,自动选取包含单一小目标局部窗口作为处理图像区域,并进行改进型PCNN迭代检测处理。该算法能自动可靠地检测出复杂背景及随机噪声干扰下的弱小目标。4.为自动对图像进行二值分割,提出了一种新的自适应迭代全局阈值图像自动分割算法。首先对二维超模糊集隶属函数进行自适应修正,并将其引入到图像超模糊熵概念中,然后从适应图像分割角度考虑,将传统脉冲耦合神经网络模型改进为具有单调指数上升阈值函数的单位链接脉冲耦合神经网络(ULPCNN)抑制捕获模型,最后把ULPCNN与最大超模糊熵判据相结合对图像进行自动分割。该算法能自动确定最佳分割阈值,对图像目标划分清晰、细节保持较好,改善了图像的分割性能。5.考虑原始图像与分割图像之间的相互关系,以最大互信息为分割目标,以互信息熵差作为一种新的分类判据,在对传统脉冲耦合神经网络模型改进的基础上,提出了一种基于最大互信息改进型PCNN多值图像自动分割算法。该算法能够自动确定最佳分割迭代次数及最佳分割灰度类数,对分割图像具有良好的特征划分能力,且在分割类数较少的情况下,能较好地保持图像细节、纹理及边缘等信息,对图像分割精度高,具有较强的适用性。6.为简单有效地提取图像重要特征信息,从而更好地提高检索图像的精度,提出了一种基于脉冲耦合神经网络的图像归一化转动惯量(NMI)特征提取及检索算法。首先利用改进简化PCNN模型相似神经元同步时空特性及指数衰降机制,将图像分解为一系列具有相关性的二值图像,然后提取能反映原图像目标形状、结构分布的系列二值图像的一维NMI特征矢量信号,并将其应用在图像检索中。同时,考虑到系列二值图像间的相关性及不同图像间NMI序列值的差异性,引入了马氏距离结合Pearson积矩相关法的综合相似性度量方法。所提算法对图像特征矢量序列具有良好抗几何畸变不变特性及对图像表述的唯一性,且有较好的图像检索效果。