脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是近年提出的图像处理新方法,已在图像去噪、图像分割、图像阴影去除、图像边缘检测等领域中获得广泛研究与应用。将PCNN应用于感兴趣区(Regions of Interest, ROI)的检测,利用PCNN图像增强处理,其处理结果具有突显图像中的ROI区域、屏蔽图像中大量无关信息的优点,可有效缩小后续定位算法中ROI的搜索范围,有利于提高后续ROI定位算法的定位准确率和算法处理效率。然而,由于PCNN增强处理后的结果是图像序列,如何能有效地从该序列中自动检测出包含了目标ROI的图像结果,是PCNN在实际应用中所面临的一大难题。因此,基于PCNN的ROI检测方法及应用的研究不仅具有理论研究价值,而且具有重要的社会、经济意义。本文主要围绕基于PCNN的ROI图像检测方法及其应用展开研究。其主要研究内容及其创新点归纳如下:(1)针对标准PCNN及其改进模型存在的缺陷和不足,提出了一种PCNN改进模型,LMO-PCNN模型。并通过对LMO-PCNN模型输出的不同规定,得到了该模型的两个子模型,LAO-PCNN模型和LIO-PCNN模型。同时,还对该模型进行了动态行为分析、模型网络参数设置分析,以及模型的特性分析。该改进模型不仅保持了PCNN的基本特性,而且还具有一些新的特性。(2)为LMO-PCNN的两个子模型分别设计了两种不同的图像处理应用。基于LAO-PCNN模型,结合中值滤波器对图像去噪领域的难点-混合噪声进行修复,提出了一种的混合噪声滤除算法。并通过数学推理和实验手段获得模型关键参数的较优设置范围;基于LIO-PCNN模型,提出了一种ROI图像增强方法。进行了模型参数设置分析。通过不同的参数设置方式,分别得到两种LIO-PCNN图像增强方法,启发式的和自适应的。并比较分析了这两种算法各自的应用优势。同时,仿真实验结果表明,基于这两种子模型的图像处理算法的处理性能比以往算法均有明显提高。(3)为提高ROI定位算法的定位精度和处理效率,以缩小ROI定位算法搜索范围的思路,提出了一种基于LIO-PCNN,结合独立成分分析(Independent Component Analysis, ICA)的ROI图像自动检测算法。该方法能以极少的时间代价,准确地从LIO-PCNN图像增强处理的结果序列中自动检测出包含了ROI的图像结果,且该结果能有效凸显图像中ROI信息,并屏蔽了图像中大量无关信息。该算法检测一幅图像的平均用时仅需0.03s,准确率达98%以上。并对ROI的形状和位置具有鲁棒性,无需ROI的先验知识,具有较强的算法适应性。(4)针对LIO-PCNN-ICA检测方法处理后结果图像中车牌区域所具有的特征,结合连通域标记方法,提出了一种简单、快速的车牌定位算法,该方法不仅能有效对车牌进行精确定位,而且还同时完成了对车牌字符的分割处理。仿真实验表明,本章算法通过引入LIO-PCNN-ICA方法,以极小的时间代价,优化了算法的输入信息,缩小了对车牌的搜索范围,取得了比以往算法更高的定位精度和更快的执行效率。这同时也表明,LIO-PCNN-ICA方法具有提高后续ROI定位算法的定位精度和处理效率的优势。(5)从ROI检测及识别的角度,提出了一种基于LMO-PCNN的拉曼光谱定性分析方法。首先,对LMO-PCNN模型进行了改进,并分析了模型神经元的动态行为和参数设置方法;然后,基于改进LMO-PCNN模型对拉曼光谱进行编码,并结合编码匹配方法和编码相似性测度,共同完成对拉曼光谱的定性分析。该方法避免了目前基于谱模板方法中待测样品拉曼光谱特征谱峰难以确定以及匹配分析冗余度高等不足,其定性分析中所需匹配的特征谱带由基谱库确定,且完成定性分析所需的谱带匹配次数仅为传统方法的1/3,对存储空间的要求也仅为后者的5.8%,具有更高的分析性能和更低的存储空间要求。