论文部分内容阅读
脉冲耦合神经网络(Pulse Coupled Neural Network,简称PCNN)是一种单层、无需训练的新型神经网络,它模拟了哺乳动物视觉皮层系统的同步脉冲振荡现象,是第三代神经网络。PCNN由于其天然的视觉特性广泛应用在图像处理、对象识别、决策优化等领域。本文对PCNN在理论和应用两个层面上进行了研究。在理论上,根据对象的视觉亮度和实际亮度的差异,提出了基于自适应阈值衰减时间常数的简化版PCNN模型,并且证明了图像熵和时间签名在输出图像选择上的等效性;在应用上,提出了新的PCNN图像自动分割方法,举例分析了两种主要的单PCNN图像细化算法的缺陷,提出了针对环样图像的双PCNN细化算法,提出了基于PCNN的图像边框去除方法,并将PCNN时间签名应用于图像识别。本论文的主要工作包括:1.研究典型PCNN模型的基本理论,包括它和生物学神经元的关系,由接受、耦合、输出三部分组成的基本框架,公式表示,参数间的相互影响和约束关系,PCNN的特性和结构改进。2.总结图像分割的含义和常用技术,说明PCNN应用于图像分割的原理和依据,对典型PCNN进行改进,根据对象的视觉亮度和实际亮度的差异,提出具有自适应阈值衰减时间常数的简化版PCNN模型,证明图像熵和时间签名在输出图像选择上的等效性,据此提出图像的PCNN自动分割新算法并进行实验分析。3.总结图像细化的目的和技术类别,说明PCNN的自动波特性在图像细化中的作用,分析单PCNN图像细化的关键环节,举例证明现有的两种单PCNN细化算法的缺陷。特别针对环样图像引入双PCNN算法,通过实现自动波的同步,达到图像的完美细化效果。4.进一步发掘PCNN自动波在图像处理上的应用,根据内外波的思想,提出基于PCNN的图像边框去除方法并进行实验。5.讨论PCNN时间签名的特性及其在图像识别上的应用,给出基于PCNN时间签名的图像识别算法流程。