基于自適應(yīng)PCNN模型的圖像處理.pdf

1、目前，人們對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse coulped neural networks，PCNN)的研究已經(jīng)十分廣泛和深入，其在圖像領(lǐng)域的處理能力也日顯強(qiáng)大。PCNN模型作為單層的神經(jīng)網(wǎng)絡(luò)模型，不需訓(xùn)練就能實(shí)現(xiàn)模式識(shí)別、圖像分割、目標(biāo)分類(lèi)等，因此非常適合于實(shí)時(shí)圖像處理環(huán)境。PCNN網(wǎng)絡(luò)作為一種多參數(shù)的系統(tǒng)，對(duì)于同一幅圖像不同的參數(shù)組合有時(shí)候會(huì)得到相同的網(wǎng)絡(luò)迭代特性，但當(dāng)圖像不同時(shí)這種情況又會(huì)發(fā)生變化，從而使參數(shù)的設(shè)置沒(méi)有標(biāo)準(zhǔn)可言，很多

2、情況下理想的參數(shù)都是依靠經(jīng)驗(yàn)獲得。
　　為實(shí)現(xiàn)自適應(yīng)PCNN模型，本文分別將PCNN模型與粒子群優(yōu)化(particalswarm optimization，PSO)算法和人工蜂群優(yōu)化(artifical bee colony，ABC)算法相結(jié)合，通過(guò)優(yōu)化PCNN模型參數(shù)和全局閾值，實(shí)現(xiàn)圖像的自適應(yīng)分割。
　　同時(shí)PCNN模型是基于哺乳動(dòng)物視覺(jué)神經(jīng)模型而提出的，與人類(lèi)視覺(jué)系統(tǒng)對(duì)圖像邊緣細(xì)節(jié)的信息比較敏感的情況更加符合。本文提出

3、PSO-PCNN模型與PSO算法多尺度分解相結(jié)合的圖像融合算法，針對(duì)多尺度分解得到的高頻和低頻部分，高頻子帶圖像代表圖像邊緣細(xì)節(jié)信息，將高頻子帶中的灰度值直接作為PCNN神經(jīng)元的激勵(lì);低頻部分采用改進(jìn)后的空間頻率作為PCNN的激勵(lì)，有效抑制噪聲對(duì)融合圖像的影響并有效的選擇融合圖像的融合系數(shù)，實(shí)現(xiàn)了圖像的自適應(yīng)融合。
　　鑒于傳統(tǒng)優(yōu)化算法中的適應(yīng)度函數(shù)中都存在對(duì)數(shù)機(jī)制，本文提出了兩種不含對(duì)數(shù)機(jī)制的適應(yīng)度函數(shù)，即乘積型交叉熵以及乘積型