CN101546430A - 基于简化型脉冲耦合神经网络的边缘提取方法 - Google Patents

基于简化型脉冲耦合神经网络的边缘提取方法 Download PDF

Info

Publication number
CN101546430A
CN101546430A CN200910050360A CN200910050360A CN101546430A CN 101546430 A CN101546430 A CN 101546430A CN 200910050360 A CN200910050360 A CN 200910050360A CN 200910050360 A CN200910050360 A CN 200910050360A CN 101546430 A CN101546430 A CN 101546430A
Authority
CN
China
Prior art keywords
image
spcnn
neural network
edge extracting
coupled neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN200910050360A
Other languages
English (en)
Inventor
肖至恒
施俊
常谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN200910050360A priority Critical patent/CN101546430A/zh
Publication of CN101546430A publication Critical patent/CN101546430A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于简化型脉冲耦合神经网络的边缘提取方法。它是在对具有神经生理学背景的PCNN(pulse coupled neural network)进行简化改进，利用改进后SPCNN(simplied pulse coupled neural network)的分割策略进行二值分割，再采用形态学处理提取图像区域边缘。本方法能提高图像的边缘提取的质量、加快边缘提取的速度，达到较理想的分割效果，在医学领域如超声图像检测和非医学领域如卫星图像检测，安全检测系统等均有广泛应用。

Description

基于简化型脉冲耦合神经网络的边缘提取方法
技术领域
本发明涉及一种基于简化型脉冲耦合神经网络(SPCNN—Simplified Pulse CoupledNeural Network)的图像分割方法。
背景技术
脉冲耦合神经网络(PCNN—Pulse Coupled Neural Network)是一种不同于传统人工神经网络的新型神经网络。它有着生物学的背景，是依据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的数学模型，它应用于图像分割能较好的处理分割图像目标和背景受噪声污染的情况。
图像分割技术是计算机视觉中重要的研究内容，分割效果的好坏直接影响图像的后续分析。由于超声束散射回波相互干扰产生的Speckle噪声影响了超声图像的细节显示能力，以及超声图像对比度和纹理特性等问题，使得准确有效的进行超声图像分割存在一定的困难，难以获得满意的效果。临床应用中的超声成像系统广泛使用的分割方式是基于医生的手动分割方法。但是繁重的工作量和冗长的时间往往使得医生和病人都难以接受，同时容易导致误诊。
传统的超声图像分割方法分为基于边缘检测的方法和基于区域生长的方法。基于边缘检测的分割方法是通过检测相邻像素的突变性来获得不同区域之间的边缘。边缘点的判定是基于所检测点的本身和它的一些邻点，主要包括局部微分算子，如Roberts算子、Sobel算子和Canny算子等。边缘检测方法获得的边缘信息往往会因这些信息突出而产生间隙，不能形成包围物体的封闭曲线，同时对噪声较大的图像会产生较多的伪边缘。基于区域生长的方法是依据区域内部的均匀性实现图像的分割。区域生长需要先确定一个种子点，根据图像的纹理特征以及种子点的特征向量空间识别同质区域，方法对图像的质量，特别是同一物体内部的灰度均匀性要求较高。主动轮廓模型(ACM)能够用一组偏微分方程的形式表达连续的分割对象边界，它是一类面向自动化分割的图像分割方法，成为目前图像分割研究的主流方法之一。其主要分为参数主动轮廓模型(PACM)和几何主动轮廓模型(GACM)。参数活动轮廓模型PACM的研究又称为snake模型，通过使用适当的内部能量函数和外部能量函数来控制轮廓曲线的运动，以达到分割图像的目的。其优点是保证所检测边缘的连续性和闭合性，缺点是初始化点数较多且需要在实际目标边缘的附近进行初始化，易陷入局部极值和能量函数较难给出等问题。水平集是几何形变模型在图像应用中的一种模型，其在图像分割中得到了广泛的应用，但是由于超声图像噪声太大等原因，模型运行速度难以设定，而且终止条件难以给定。目前出现许多的研究PCNN改进与简化的算法，但本质上没有改变模型的迭代原理，对处理噪声干扰的图像依然存在着模型抗噪性能不佳和的运行速度慢等问题。
PCNN有生物学依据，是对高级哺乳动物的视觉仿生，在图像处理方面有广泛的应用。从图像处理的角度来看，PCNN传统模型存在一些实际应用上的局限性，如神经元相互间存在大量的反馈连接、网络系数难以确定、运行速度慢等问题，使对神经网络的具体运作进行数学分析变的比较困难。而且医学超声噪声受斑点噪声的影响严重，即使使用了滤波预处理，得到的处理图像不能完全去除斑点噪声。因此，如何简化模型参数，加快运行速度，同时使模型具有抗噪性能是需要研究的问题。
发明内容
本发明的目的在于针对现有超声图像分割技术存在的不足，提供一种基于简化型脉冲耦合神经网络的边缘提取方法。该方法能提高图像感兴趣区域的边缘提取质量、加快边缘提取速度，达到较理想的处理效果。
为达到上述目的，本发明的构思是：
本发明对具有神经生理学背景的PCNN进行简化改进，利用改进后SPCNN进行分割策略设计。由于超声图像受强噪声干扰和纹理特征的影响，利用SPCNN的脉冲传播特性分割出感兴趣区域，最后经过数学形态学处理提取区域边缘。
根据上述发明构思，本发明采用下述技术方案：
一种简化型脉冲耦合神经网络的边缘提取方法，其特征在于操作步骤为：
(1)对读取的灰度图像采用SPCNN的分割策略进行分割，得到一幅二值分割图像。
(2)采用数学形态学策略提取区域边缘。
上述的基于简化型脉冲耦合神经网络的边缘提取方法，其特征在于所述的基于SPCNN模型的分割策略是根据单次迭代后神经元网络产生脉冲点火图的选取。在SPCNN模型的基础上，若干个SPCNN神经元相互连接成SPCNN网络，图像中每个像素点与神经元一一对应，单次迭代后像素点即可标定为点火或不点火。
上述的基于SPCNN的分割策略主要包括如下步骤：
(1)设置SPCNN模型中的参数：：联结权系数W，连接系数β，固定阈值θ0；
(3)将像素Iij作为外部刺激输入；
(2)进行归一化：将输入图像的像素灰度值归一化到[0，1]之间；
(3)将归一化的图像输入到SPCNN网络，一次迭代后，每个像素点根据自身的灰度特点由模型运行为点火或不点火，得到一幅二值输出图像；
(4)采用传统形态学方法对二值图像进行填充，平滑处理，提取图像区域边缘。
其中，(i，j)为图像中第i行、第j列像素点的坐标。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
传统的模型属于迭代式模型，其中有n次迭代次数。传统的PCNN模型在连接域中将第(n-1)时刻迭代时的脉冲输出Y[n-1]作为中心像素局部的激励∑WijklYkl[n-1]，本发明方法舍弃了传统PCNN模型连接域中的运行方式。由于超声图像不可避免的斑点噪声，对于高灰度值噪声点的神经元模型提前点火，第(n-1)时刻迭代的点火信息会作为连接域的输入同时作为第(n)次迭代的输入进一步影响第(n+1)次迭代的输出，这样会使得整幅分割出来的二值图像受斑点噪声的影响进一步加深。本发明方法中的SPCNN模型的连接域接收的是周围邻域点的信息∑WijklI，可使得相同领域内比传统迭代式模型降低受噪声影响的百分比。对简化后的模型设置固定阈值参数，使模型在单次迭代后即可判断出所有神经元的点火情况，加快运行速度。采用本发明的分割方法大大提高了分割图像的质量和运行速度，对后续的进一步处理具有重要意义和实用价值。具体创新点和优点分别如下：
(1)针对现具有代表性的动态轮廓模型分割方法，其初始化点数较多且需要在实际目标边缘的附近进行初始化，能量函数也较难给出，且容易陷入局部极值等问题。水平集方法运行速度难以设定，终止条件难以给定。一些改进PCNN模型的方法迭代次数多，运行时间较长。
(2)针对现有图像分割技术存在的不足，提出了基于PCNN的图像分割方法。
(3)针对现有图像分割策略存在的不足，对具有神经生理学背景的PCNN进行简化改进，利用简化型的SPCNN来进行分割策略设计。
总之，本发明的目的在于针对现有超声图像分割技术存在的不足，提出一种基于简化型脉冲耦合神经网络的边缘提取方法。基于SPCNN的二值分割解决了高噪声干扰图像较难准确分割的问题，同时解决了目前一些改进PCNN模型算法的分割效果不佳与运行速度不足的问题，该方法首先采用SPCNN对超声图像进行分割处理得到二值分割图像，然后对得到的二值图像进行形态学填充、平滑处理，最后提取图像感兴趣区域边缘。该方法能提高分割图像的质量、加快整个模型的运行速度，达到提取理想边缘的效果。在医学领域如超声图像检测和非医学领域如卫星图像检测，安全检测系统等均有广泛应用。
附图说明
图1为本发明中的SPCNN模型框图。
图2为本发明SPCNN方法与经典阈值分割方法和基于最大熵的PCNN分割方法对噪声图像的分割结果比较。
图中，(a)为原始lena图像；(b)为δ2＝1，PSNR＝21.5552的加噪图像；(c)为δ2＝4，PSNR＝15.6035的加噪图像；(e)为采用本发明基于SPCNN方法的分割结果；(e)(h)为采用阈值分割的结果；(f)(i)为基于最大熵的改进PCNN方法的分割结果。其中(d)(e)(f)为对(b)处理结果；(g)(h)(i)为对(c)处理结果。
图3为本发明方法与人工手动分割、经典CV模型方法、改进CV模型方法和改进PCNN方法对超声肿瘤图像边缘提取结果比较。
图中，(a)为超声乳腺肿瘤图像；(b)为手动方法结果；(c)为经典CV模型方法结果；(d)为改进CV模型方法结果；(e)为改进PCNN方法结果；(f)为采用本发明基于SPCNN方法的结果。
具体实施方式
本发明的一个优选实施例结合附图详述如下：
本基于简化型脉冲耦合神经网络的边缘提取方法，操作步骤为：
(1)对读取的灰度图像，采用SPCNN的分割策略进行分割，得到一幅二值分割图像；
(2)采用数学形态学处理提取区域边缘。
上述步骤(1)的采用SPCNN的分割策略进行分割，得到一幅二值分割图像的方法，步骤如下：
(1)设置SPCNN模型中的参数：联结权系数W，连接系数β，固定阈值θ0；
(2)将像素Iij作为外部刺激输入；
(3)进行归一化：将输入图像的像素灰度值归一化到[0，1]之间；
(4)将归一化的图像输入到SPCNN网络，一次迭代后，每个像素点根据自身的灰度特点由模型运行为点火或不点火，得到一幅二值输出图像；其中，(i，j)为图像中第i行、第j列像素点的坐标。
上述步骤(2)的采用数学形态学策略处理提取区域边缘的方法是根据得到的二值分割图像，采用传统形态学方法对其区域进行填充、平滑处理、提取图像区域边缘。
参见图1，SPCNN单个神经元由接受域、调制部分和脉冲产生三部分组成。其原理数学方程描述为：
Fij[n]＝Iij                                       (1)
Lij[n]＝∑WijklI                                  (2)
Uij[n]＝Fij(1+βLij[n])                            (3)
Figure A200910050360D00071
θij[n]＝θ0                                        (5)
式中Fij是第(i，j)个神经元的反馈输入量；Iij为外部刺激输入，即图像的像素灰度值；Lij为连接输入量；β为连接系数；Wijkl为突触联接权，W＝[0.510.5；101；0.510.5]；Uij为内部活动量；θ0为阈值参数，为固定值；Yij为第(i，j)个神经元的输出。内部活动项将来自输入域和连接域的信号进行相乘调制得到内部活动信号Uij。脉冲发生器将Uij与动态阈值θij进行比较，若大于阈值，脉冲发生器打开，神经元就被点火，即处于激发状态，输出一个脉冲，反之亦然。各个神经元的输出只有点火或不点火两种状态。
SPCNN用于图像处理时，它为一单层二维局部连接的网络，可以把二维图像矩阵看作同等大小相同结构的SPCNN神经元模型，神经元与像素点一一对应。把一幅图像输入网络时，归一化的像素灰度值作为外界刺激信号，激励网络中的每个神经元。外部刺激即像素亮度的强度以及周围像素点越强，导致领域内与它邻近的神经元在这一时刻的内部活动量越大，如果大于阈值，则脉冲产生部分发生点火，输出脉冲，产生的脉冲序列Y[n]构成一个二值序列，该序列包含有图像的区域、边缘、纹理等信息，为后续进一步的处理提供了重要信息。
参见图2，对于噪声污染严重的图像，SPCNN的捕获特性可以达到抗噪的效果，经典的阈值分割算法在一定程度上受到噪声较大的干扰。计算机仿真结果表明，SPCNN模型的超声图像分割对噪声有很强的抑制能力，可迅速有效地提取被噪声污染的二值分割图像。
参见图3，本实例方法更好地获取的肿瘤区域的边缘，不仅有效地获得到边缘细节信息，而且最大限度地节省了处理时间。因此，在图像处理表现能力方面，本发明方法明显优于其他几类方法，效果更好。
表1给出了四种方法分割结果的客观评价指标。
实验选取了40幅超声肿瘤图像进行处理，通过比较专家手动分割得到的肿瘤边缘，并采用豪斯多夫距离(HD)、最小平均距离(MAD)、匹配面积比(TC)和运行时间等参数(TIME)来衡量分割图像的质量，进而评价本实施例分割方法的有效性。
参见表1，本实施例方法在前三种评价指标上都相似于其他三种分割方法，但运行时间明显低于其他分割方法。本实施例方法提取的边缘具有较小的HD和MAD系数，说明它更好地匹配了专家手动分割得到的肿瘤边缘，误差较小。在TC系数方面，较高的TC系数说明本实例方法提取的肿瘤区域的面积与专家手动得到的肿瘤区域面积匹配较大。从运行时间可以看出，本实例方法运行时间明显少于其它三种方法。
总而言之，本发明方法更好地分割了高噪声影响的超声肿瘤图像，并有效地提取了肿瘤区域边缘，无论是从人眼视觉效果，还是从客观评价指标，其均优于CV模型方法、改进CV模型方法和改进PCNN方法在内的其他方法。
表1 本实例方法与CV模型方法、改进CV模型方法和改进PCNN方法处理性能比较
 
HD MAD TC Time(s)
C-V模型 1.46 7.18 0.81 11.23
改进C-V模型 1.36 6.55 0.85 5.17
改进PCNN 1.46 6.66 0.84 3.32
本实施例算法 1.37 5.79 0.86 0.99

Claims (3)

1、一种基于简化型脉冲耦合神经网络的边缘提取方法，其特征在于操作步骤为：
(1)对读取的灰度图像，采用SPCNN的分割策略进行分割，得到一幅二值分割图像；
(2)采用数学形态学处理提取区域边缘。
2、根据权利要求1所述的基于简化型脉冲耦合神经网络的边缘提取方法，其特征在于所述步骤(1)的采用SPCNN的分割策略进行分割，得到一幅二值分割图像的方法，步骤如下：
(1)设置SPCNN模型中的参数：联结权系数W，连接系数β，固定阈值θ0；
(2)将像素Iij作为外部刺激输入；
(3)进行归一化：将输入图像的像素灰度值归一化到[0，1]之间；
(4)将归一化的图像输入到SPCNN网络，一次迭代后，每个像素点根据自身的灰度特点由模型运行为点火或不点火，得到一幅二值输出图像；其中，(i，j)为图像中第i行、第j列像素点的坐标。
3、根据权利要求2所述的基于简化型脉冲耦合神经网络的边缘提取方法，其特征在于所述步骤(2)的采用数学形态学策略处理提取区域边缘的方法是根据得到的二值分割图像，采用传统形态学方法对其区域进行填充、平滑处理、提取图像区域边缘。
CN200910050360A 2009-04-30 2009-04-30 基于简化型脉冲耦合神经网络的边缘提取方法 Pending CN101546430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN200910050360A CN101546430A (zh) 2009-04-30 2009-04-30 基于简化型脉冲耦合神经网络的边缘提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN200910050360A CN101546430A (zh) 2009-04-30 2009-04-30 基于简化型脉冲耦合神经网络的边缘提取方法

Publications (1)

Publication Number Publication Date
CN101546430A true CN101546430A (zh) 2009-09-30

Family

ID=41193550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200910050360A Pending CN101546430A (zh) 2009-04-30 2009-04-30 基于简化型脉冲耦合神经网络的边缘提取方法

Country Status (1)

Country Link
CN (1) CN101546430A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930597A (zh) * 2010-08-10 2010-12-29 浙江大学 一种基于数学形态学的图像边缘检测方法
CN102411777A (zh) * 2011-06-15 2012-04-11 夏东 一种印刷品划痕缺陷检测方法
CN101719272B (zh) * 2009-11-26 2012-07-04 上海大学 基于三维改进型脉冲耦合神经网络的三维图像分割方法
CN104504725A (zh) * 2015-01-16 2015-04-08 河南师范大学 一种快速自动语义图像分割模型方法
CN104618625A (zh) * 2015-01-30 2015-05-13 电子科技大学 Cis大幅面扫描仪的图像融合拼接方法
CN104992224A (zh) * 2015-06-09 2015-10-21 浪潮(北京)电子信息产业有限公司 一种脉冲耦合神经网络扩展系统和方法
CN105118045A (zh) * 2015-06-18 2015-12-02 江西师范大学 一种基于脉冲耦合神经网络的灰度图像边缘检测方法
CN105404902A (zh) * 2015-10-27 2016-03-16 清华大学 基于脉冲神经网络的图像特征描述和记忆方法
CN105989607A (zh) * 2016-04-13 2016-10-05 西华大学 基于spcnn和最小交叉熵的接触网图像分割方法
CN106250981A (zh) * 2015-06-10 2016-12-21 三星电子株式会社 减少存储器访问和网络内带宽消耗的脉冲神经网络
CN106709480A (zh) * 2017-03-02 2017-05-24 太原理工大学 基于加权强度pcnn模型的分块人脸识别方法
CN107154048A (zh) * 2017-05-09 2017-09-12 中国科学院遥感与数字地球研究所 一种脉冲耦合神经网络模型的遥感图像分割方法及装置
CN107180440A (zh) * 2017-05-31 2017-09-19 铜仁市万山区丹凤朱砂工艺品研发检测鉴定中心有限公司 一种根据照片获取加工曲线的方法
CN107424155A (zh) * 2017-04-17 2017-12-01 河海大学 一种面向光场重聚焦图像的聚焦分割方法
CN108898608A (zh) * 2018-05-28 2018-11-27 广东技术师范学院 一种前列腺超声图像分割方法及设备
CN109410230A (zh) * 2018-09-07 2019-03-01 南京航空航天大学 一种可抗噪声的改进Canny图像边缘检测方法
CN109949298A (zh) * 2019-03-22 2019-06-28 西南交通大学 一种基于聚类学习的图像分割质量评价方法
CN109996486A (zh) * 2016-10-05 2019-07-09 创新外科解决方案有限责任公司 神经定位和标测
CN110033456A (zh) * 2019-03-07 2019-07-19 腾讯科技（深圳）有限公司 一种医疗影像的处理方法、装置、设备和系统
CN112330637A (zh) * 2020-11-09 2021-02-05 哈尔滨理工大学 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法
CN116703951A (zh) * 2023-08-09 2023-09-05 成都理工大学 基于随机耦合神经网络的图像分割方法

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719272B (zh) * 2009-11-26 2012-07-04 上海大学 基于三维改进型脉冲耦合神经网络的三维图像分割方法
CN101930597A (zh) * 2010-08-10 2010-12-29 浙江大学 一种基于数学形态学的图像边缘检测方法
CN101930597B (zh) * 2010-08-10 2012-05-02 浙江大学 一种基于数学形态学的图像边缘检测方法
CN102411777A (zh) * 2011-06-15 2012-04-11 夏东 一种印刷品划痕缺陷检测方法
CN102411777B (zh) * 2011-06-15 2014-04-30 湖南领创智能科技有限公司 一种印刷品划痕缺陷检测方法
CN104504725A (zh) * 2015-01-16 2015-04-08 河南师范大学 一种快速自动语义图像分割模型方法
CN104618625A (zh) * 2015-01-30 2015-05-13 电子科技大学 Cis大幅面扫描仪的图像融合拼接方法
CN104618625B (zh) * 2015-01-30 2018-04-06 电子科技大学 Cis大幅面扫描仪的图像融合拼接方法
CN104992224A (zh) * 2015-06-09 2015-10-21 浪潮(北京)电子信息产业有限公司 一种脉冲耦合神经网络扩展系统和方法
CN104992224B (zh) * 2015-06-09 2018-02-06 浪潮(北京)电子信息产业有限公司 一种脉冲耦合神经网络扩展系统和方法
CN106250981A (zh) * 2015-06-10 2016-12-21 三星电子株式会社 减少存储器访问和网络内带宽消耗的脉冲神经网络
CN105118045A (zh) * 2015-06-18 2015-12-02 江西师范大学 一种基于脉冲耦合神经网络的灰度图像边缘检测方法
CN105404902A (zh) * 2015-10-27 2016-03-16 清华大学 基于脉冲神经网络的图像特征描述和记忆方法
CN105404902B (zh) * 2015-10-27 2019-02-05 清华大学 基于脉冲神经网络的图像特征描述和记忆方法
CN105989607A (zh) * 2016-04-13 2016-10-05 西华大学 基于spcnn和最小交叉熵的接触网图像分割方法
CN109996486A (zh) * 2016-10-05 2019-07-09 创新外科解决方案有限责任公司 神经定位和标测
CN106709480A (zh) * 2017-03-02 2017-05-24 太原理工大学 基于加权强度pcnn模型的分块人脸识别方法
CN107424155A (zh) * 2017-04-17 2017-12-01 河海大学 一种面向光场重聚焦图像的聚焦分割方法
CN107424155B (zh) * 2017-04-17 2020-04-21 河海大学 一种面向光场重聚焦图像的聚焦分割方法
CN107154048A (zh) * 2017-05-09 2017-09-12 中国科学院遥感与数字地球研究所 一种脉冲耦合神经网络模型的遥感图像分割方法及装置
CN107180440A (zh) * 2017-05-31 2017-09-19 铜仁市万山区丹凤朱砂工艺品研发检测鉴定中心有限公司 一种根据照片获取加工曲线的方法
CN108898608A (zh) * 2018-05-28 2018-11-27 广东技术师范学院 一种前列腺超声图像分割方法及设备
CN109410230A (zh) * 2018-09-07 2019-03-01 南京航空航天大学 一种可抗噪声的改进Canny图像边缘检测方法
CN109410230B (zh) * 2018-09-07 2022-06-17 南京航空航天大学 一种可抗噪声的改进Canny图像边缘检测方法
CN110033456A (zh) * 2019-03-07 2019-07-19 腾讯科技（深圳）有限公司 一种医疗影像的处理方法、装置、设备和系统
CN109949298A (zh) * 2019-03-22 2019-06-28 西南交通大学 一种基于聚类学习的图像分割质量评价方法
CN109949298B (zh) * 2019-03-22 2022-04-29 西南交通大学 一种基于聚类学习的图像分割质量评价方法
CN112330637A (zh) * 2020-11-09 2021-02-05 哈尔滨理工大学 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法
CN116703951A (zh) * 2023-08-09 2023-09-05 成都理工大学 基于随机耦合神经网络的图像分割方法
CN116703951B (zh) * 2023-08-09 2023-10-20 成都理工大学 基于随机耦合神经网络的图像分割方法

Similar Documents

Publication Publication Date Title
CN101546430A (zh) 基于简化型脉冲耦合神经网络的边缘提取方法
Kumar et al. An automated early diabetic retinopathy detection through improved blood vessel and optic disc segmentation
CN101719272B (zh) 基于三维改进型脉冲耦合神经网络的三维图像分割方法
Li et al. DeepRetina: layer segmentation of retina in OCT images using deep learning
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN102999905A (zh) 基于自适应pcnn的眼底图像血管自动检测方法
CN103985099B (zh) 一种弥散张量磁共振图像张量域非局部均值去噪方法
CN108510502A (zh) 基于深度神经网络的黑色素瘤图片组织分割方法和系统
CN102306289A (zh) 基于脉冲耦合神经网络的虹膜特征提取方法
CN110490892A (zh) 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法
CN108986106A (zh) 面向青光眼临床诊断的视网膜血管自动分割方法
CN104036495A (zh) 一种焊接缺陷提取方法及焊接缺陷检测方法
CN104794708A (zh) 一种基于多特征学习的动脉粥样硬化斑块成分分割方法
CN106780465A (zh) 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法
Dresp-Langley et al. Using the quantization error from Self‐Organizing Map (SOM) output for fast detection of critical variations in image time series
CN106651875B (zh) 基于多模态mri纵向数据的脑瘤时空协同分割方法
Alasadi et al. Early detection and classification of melanoma skin cancer
CN109087310A (zh) 睑板腺纹理区域的分割方法、系统、存储介质及智能终端
CN110363775A (zh) 一种基于区域型变分水平集的图像分割方法
Masood et al. Development of automated diagnostic system for skin cancer: Performance analysis of neural network learning algorithms for classification
Senthilkumaran et al. Brain image segmentation
CN103279944A (zh) 一种基于生物地理优化的图像分割方法
Zhao et al. Study of image segmentation algorithm based on textural features and neural network
Kabir Early stage brain tumor detection on MRI image using a hybrid technique
CN106709480B (zh) 基于加权强度pcnn模型的分块人脸识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20090930