《基于脉冲耦合神经网络的图像分割应用研究》由会员分享,可在线阅读,更多相关《基于脉冲耦合神经网络的图像分割应用研究(56页珍藏版)》请在金锄头文库上搜索。
1、中南民族大学 硕士学位论文 基于脉冲耦合神经网络的图像分割应用研究 姓名:江美英 申请学位级别:硕士 专业:计算机应用技术 指导教师:段汕 20080101 中南民族大学硕士学位论文 I 摘摘 要要 脉冲耦合神经网络(PCNN)是一种新型的神经网络,该模型是针对于动物大脑视 觉皮层实验中所观察到的与特征有关的神经元同步行为现象而提出的。PCNN 直接来 源于哺乳动物的视觉特性研究,具有相邻的相似性集群神经元可同步发放脉冲的特 性,能够弥补输入数据的空间不连贯和幅度上的微小变化,从而较完整地保留图像 的信息,这非常有利于图像的分割。这些特性使得 PCNN 不仅具有重要的理论意义, 而且还具有非常
2、广阔的应用前景。 在图像分析中,熵作为一种图像的统计特性,反映了图像中包含信息量的大小。 对于图像分割而言,分割后图像的熵值越大,说明分割后从原图所得到的信息量也 越大,分割图像的细节也越丰富,因而总体分割的效果也就越好。模糊熵在图像分 割中用来度量分割后的图像的模糊度的大小,依据模糊熵最大的准则,分割后图像 的模糊熵越大,包含原图像中的信息就越多,在一系列分割结果中,模糊熵最大的 分割图就是最优的分割结果。 本文首先将 PCNN 与简化的 PCNN 这两种神经网络模型分别应用于部分典型图像 和医学图像的分割,将其分割结果与典型的 Otsu 分割方法所获得的结果进行比较, 然后对这两种 PCN
3、N 模型在图像分割中的应用进行分析。实验结果表明,应用这两种 PCNN 模型,得到了较好的分割图像,说明此模型在图像分割中有较好的有效性和适 应性。 本文通过结合图像模糊熵这一概念,将最大模糊熵准则应用到 PCNN 的图像分割 中,提出了一种基于最大模糊熵的图像分割算法。在迭代次数设置好的前提条件下, 该算法能分割出包含原图像信息最多的分割图像,得到最佳分割的迭代次数,实现 了一定意义上的自动分割,在应用中有一定的现实意义。 基于脉冲耦合神经网络的图像分割应用研究 II Abstract Pulse coupled neural network (PCNN)is a new neural ne
4、twork, which was proposed based on phenomena regarding the neuron spiking synchronization of the animals visual cortex about observed characters in the experiment. PCNN directly comes from researches about animal visual property and has a property causing adjacent neurons with the comparability feat
5、ure to emit synchronously pulse. This will recuperate spatial incoherence and little change in the extent about imported datum, so that region information in the image will be mostly hold and those will make for image segmentation. The properties have not only important theoretical significance, but
6、 have a widely future in the application. The magnitude of image information may be reflected by the entropy which acts as statistic peculiarity in image analysis. As for image segmentation, the entropy value is larger, the better image information from original image and the more details of the ima
7、ge are included, and the segmentation effect is better. By using the fuzzy entropy rule which is used to estimate fuzzy extent of the segmented image, the segmented image will include the most contents from original image and optimal segmentation effect will be obtained. The segmented image which ha
8、s larger fuzzy entropy is the optimal result in the series of segmented image. Firstly, the research shows that PCNN model and simple PCNN model are used to different typical images and medical images. Compared with the Otsu method, researches demonstrated that the two PCNN models can be applied to
9、image segmentation efficiently. Appling the two models to the image segmentation, we obtained better results. The experimental results demonstrated the better validity and robustness of the two models. By combining the conception of fuzzy entropy, then this paper improves the traditional PCNN model
10、according to the maximal fuzzy entropy principle and presents automatic segmentation algorithm based on the maximal fuzzy entropy principle. The proposed method makes not only the most contents from the original image included in 中南民族大学硕士学位论文 III the segmented image and the optimal segmentation effe
11、ct obtained, but the number of iterations will be automatically confirmed, so that the automatic segmentation about PCNN will be realized. There is a realistic significance in the practical applications. Key words: Image Segmentation, Neuron, Pulse-Coupled Neural Network,Fuzzy Entropy 中南民族大学学位论文原创性声
12、明中南民族大学学位论文原创性声明 本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以标注引用的内容外,本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡 献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的 法律后果由本人承担。 作者签名: 日期: 年 月 日 学位论文版权使用授权书学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文 被查阅和借阅。本人授权中南民族大学可以将本学位论文的全部或部分内 容编入有关数
13、据库进行检索,可以采用影印、缩印或扫描等复制手段保存 和汇编本学位论文。 本学位论文属于 1、保密,在_年解密后适用本授权书。 2、不保密。 (请在以上相应方框内打“” ) 作者签名: 日期: 年 月 日 导师签名: 日期: 年 月 日 中南民族大学硕士学位论文 1 第 1 章 绪 论 1.1 研究背景及其意义 自二十世纪六十年代,机器视觉随着计算机技术的普及有了很大的发展,但是 这个领域依然面临着很多问题,一些对于人来说很容易的问题,计算机处理起来却 相当困难。图像分割作为图像处理的关键技术之一,是人们理解图像、分析图像和 模式识别的基础,在工业检测、医学图像分析、航空航天、军事等领域有着广
14、泛的 应用1-3。 而图像分割却是计算机视觉中最具有挑战性的问题,制约着图像处理与机器 视觉学科的发展与应用。 图像分割是指把图像分成各具有特性的区域并提取出感兴趣目标的技术和过 程,这里的特性可以是灰度、颜色以及纹理等,目标可以是单个区域,也可以是多 个区域4, 它是由图像处理到图像分析的关键步骤,是各相关领域最基本的关键处理 技术之一。例如在军事领域,目标图像能否被正确分割是成像制导武器能否正确识 别目标的根本。在医学图像处理中对感兴趣区域的快速精确分割同样具有非常现实 的意义。 2002 年在美国科罗拉多举行的第四次可视人会议上, 可视人研究先驱 Victor Spitzer 认为可视人
15、研究的挑战性问题就是分割!在计算机视觉的各个应用领域中, 利用计算机完成对图像的分析、理解和判断是人类追求的目标,这其中对感兴趣目 标的自动分割和识别尤为关键。国内外对光学图像目标的检测与识别已经开展了大 量的研究,提出了许多有效的检测和识别算法。传统的图像分割方法可以分为三大 类5,6:一类是基于图像全局知识(如图像直方图)的分割方法;另一类是基于边缘的 图像分割方法;第三类是基于区域的图像分割方法。基于图像全局知识的分割方法 中,灰度阈值法是最简单也是最有效的分割方法。而基于边缘的分割方法是在边缘 检测算子获得边缘图像的基础上,完成对图像的分割。常用的方法包括边缘图像阈 值法、边缘松驰法、
16、边界跟踪、图搜索法检测边界、动态规划检测边界、Hough 变 换法等。但那些基于图像梯度或者 Laplacian 函数设计的边缘检测算子存在着抽取边 缘常常不能封闭以及对噪声敏感一些等无法克服的困难,通过边缘检测算子检测所 得到的边缘通常是不连续的,只是一些无序的点,然后再由这些点组成物体的轮廓, 基于脉冲耦合神经网络的图像分割应用研究 2 进而确定目标的区域。采用基于边缘方法所检测出的目标区域不能保证其完整性。 因为由无序的、残缺不全、受噪声影响的点重建目标轮廓本身就是一个尚未完全解 决的难题。Hough 变换和模板匹配也可用于分割图像,提取目标轮廓。但是这些方 法需要知道所要检测形状等先验信息,在一些实际过程中,这种条件不一定能够满 足。因此其应用也受到了一定的限制。基于区域的分割方法有很多,如区域生长方 法、区域合并与分裂、分水岭方法(watershed)等。如果图像中感兴趣的区域具有较好 的灰度、颜色或者纹理一致性,这些方法可获得令人满意的结果,但当被分割物体 边缘由于受到噪声的影响或者由于遮挡而产生部分轮廓点丢失