CN102622760A - 一种新图像分割算法 - Google Patents
一种新图像分割算法 Download PDFInfo
- Publication number
- CN102622760A CN102622760A CN2012100883640A CN201210088364A CN102622760A CN 102622760 A CN102622760 A CN 102622760A CN 2012100883640 A CN2012100883640 A CN 2012100883640A CN 201210088364 A CN201210088364 A CN 201210088364A CN 102622760 A CN102622760 A CN 102622760A
- Authority
- CN
- China
- Prior art keywords
- pcnn
- image segmentation
- decision criteria
- threshold value
- model
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
许多学者已经运用PCNN及各类改进模型对图像分割进行了大量的研究,诸类PCNN算法都是在特定的参数条件下进行图像分割处理的,如选取内部偏置β=0.5,阈值初始值为T=1等,本发明公开一种图像分割的新算法,该算法是在原有PCNN基础上提出一种新的参数自适应PCNN模型,该模型中的各种参数均由像素点本身决定,而不受人为的外界干涉,并且提出另一类分割判定准则——最大相关系数判定准则。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种图像分割新算法。
背景技术
发明内容
本发明针对现有问题提出了参数自适应PCNN算法对图像进行分割,还提出了另类判定准则——最大相关系数判定,对分割效果进行评价,为了克服现有技术中的不足,本发明是通过以下方式实现的:
本发明是在原有PCNN基础上提出一种新的参数自适应PCNN模型,该模型中的各种参数均由像素点本身决定,而不受人为的外界干涉,并且提出另一类分割判定准则——最大相关系数判定准则。
新的参数自适应PCNN模型基本结构与原PCNN模型相同,改进后的PCNN模型由下列式子描述:
为了在迭代过程中每次迭代的偏置都是自适应的,内部偏置定义为相邻阈值的均值;
利用另一类分割判定准则——最大相关系数判定准则实现该算法的具体步骤如下:
第五步:将分割后的图像背景和目标看做两个随机变量,利用最大相关系数判定准则进行判定;
附图说明
图1是自适应PCNN模型。
图2是利用最大相关系数判定准则实现该算法的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
参照图1,脉冲耦合神经网络是由若干个神经元互联而构成的反馈型网络,每一个神经元都由接收域、调制域、脉冲产生域三部分组成,设置一个PCNN网络,每一个像素点与一个PCNN神经元相对应,神经元是8临域的,先确定神经元的阈值T和偏置β。
对于T1,首先得到,神经元开始阶段自然点火,即在外界输入像素的触发下点火,由于阈值 (),所以只有少量神经元被触发,将这些点火信息记录在临时点火矩阵Bin中,接着,已经点火的神经元i由于L通道的反馈链接和外界输入触发与之相邻近的神经元j,然后将这次迭代过程中点火的信息和原Bin中对应相加后仍记为Bin,
当神经元不再点火时,对于阈值T1的迭代结束,将临时点火矩阵Bin中的点火信息记录到Figure(1),同理,当所有的神经元均点火时,迭代结束。
参照图2,利用另一类分割判定准则——最大相关系数判定准则实现该算法的具体步骤如下:
第五步:将分割后的图像背景和目标看做两个随机变量,利用最大相关系数判定准则进行判定;
Claims (2)
1.一种新图像分割算法,其特征在于,所述的新图像分割算法是在原有PCNN基础上提出一种新的参数自适应PCNN模型,该模型中的各种参数均由像素点本身决定,而不受人为的外界干涉,并且提出另一类分割判定准则——最大相关系数判定准则。
2. 如权利要求1所述的图像分割新算法,其特征在于,所述的新的参数自适应PCNN模型基本结构与原PCNN模型相同,改进后的PCNN模型由下列式子描述:
3.如权利要求1所述的图像分割新算法,其特征在于,利用所述的另一类分割判定准则——最大相关系数判定准则实现该算法的具体步骤如下:
第五步:将分割后的图像背景和目标看做两个随机变量,利用最大相关系数判定准则进行判定;
第六步:所有分割图像均被讨论,迭代结束,否则,返回步骤五。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100883640A CN102622760A (zh) | 2012-03-30 | 2012-03-30 | 一种新图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100883640A CN102622760A (zh) | 2012-03-30 | 2012-03-30 | 一种新图像分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102622760A true CN102622760A (zh) | 2012-08-01 |
Family
ID=46562661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100883640A Pending CN102622760A (zh) | 2012-03-30 | 2012-03-30 | 一种新图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102622760A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824291A (zh) * | 2014-02-24 | 2014-05-28 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
CN104915960A (zh) * | 2015-06-08 | 2015-09-16 | 哈尔滨工程大学 | 一种基于细菌觅食优化算法的pcnn文本图像分割方法 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667286A (zh) * | 2009-09-29 | 2010-03-10 | 天津大学 | 基于pcnn区域分割的图像去噪方法 |
-
2012
- 2012-03-30 CN CN2012100883640A patent/CN102622760A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667286A (zh) * | 2009-09-29 | 2010-03-10 | 天津大学 | 基于pcnn区域分割的图像去噪方法 |
Non-Patent Citations (3)
Title |
---|
林庆超 等: "基于PCNN图像分割新算法", 《现代电子技术》 * |
苏茂君 等: "基于PCNN自动波特征的血细胞图像分割和计数方法", 《中国生物医学工程学报》 * |
赵峙江 等: "一种新的基于PCNN的图像自动分割算法研究", 《电子学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824291A (zh) * | 2014-02-24 | 2014-05-28 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
CN103824291B (zh) * | 2014-02-24 | 2017-01-11 | 哈尔滨工程大学 | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 |
CN104915960A (zh) * | 2015-06-08 | 2015-09-16 | 哈尔滨工程大学 | 一种基于细菌觅食优化算法的pcnn文本图像分割方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188635B (zh) | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 | |
Kellenberger et al. | Fast animal detection in UAV images using convolutional neural networks | |
CN108573246B (zh) | 一种基于深度学习的时序动作识别方法 | |
Sudha et al. | An automatic classification method for environment: Friendly waste segregation using deep learning | |
CN105095862B (zh) | 一种基于深度卷积条件随机场的人体动作识别方法 | |
Yao et al. | Gabor feature based convolutional neural network for object recognition in natural scene | |
CN112445823A (zh) | 神经网络结构的搜索方法、图像处理方法和装置 | |
CN109376963B (zh) | 一种基于神经网络的刑事案件罪名法条联合预测方法 | |
CN109255364A (zh) | 一种基于深度卷积生成对抗网络的场景识别方法 | |
CN105960647A (zh) | 紧凑人脸表示 | |
CN110222633B (zh) | 基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法 | |
CN112884131A (zh) | 一种基于模仿学习的深度强化学习策略优化防御方法和装置 | |
CN102930249A (zh) | 基于颜色和模型的农田害虫识别和计数方法 | |
EP2778990A3 (en) | Method and system for designing a material | |
CN107256423A (zh) | 一种增广神经网架构及其训练方法、计算机可读存储介质 | |
CN108875482A (zh) | 物体检测方法和装置、神经网络训练方法和装置 | |
CN107292883B (zh) | 一种基于局部特征的pcnn电力故障区域检测方法 | |
TW201308254A (zh) | 適用複雜場景的移動偵測方法 | |
CN109740481B (zh) | 基于跳跃连接的cnn与lstm结合的房颤信号分类系统 | |
CN102622760A (zh) | 一种新图像分割算法 | |
Zhuang | Edge feature extraction in digital images with the ant colony system | |
CN107016212A (zh) | 基于动态贝叶斯网络的意图分析方法 | |
Ren | Optimal control | |
Domhan et al. | Extrapolating learning curves of deep neural networks | |
CN104463130B (zh) | 一种基于评估反馈系统的车牌图像光照处理方法 |
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 |
Application publication date: 20120801 |