CN102622760A - 一种新图像分割算法 - Google Patents

一种新图像分割算法 Download PDF

Info

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
Application number
CN2012100883640A
Other languages
English (en)
Inventor
苏庆堂
李宏光
孙福文
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.)
Ludong University
Original Assignee
Ludong University
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 Ludong University filed Critical Ludong University
Priority to CN2012100883640A priority Critical patent/CN102622760A/zh
Publication of CN102622760A publication Critical patent/CN102622760A/zh
Pending legal-status Critical Current

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

一种新图像分割算法
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
PCNN（脉冲耦合神经网络）是一种不同于传统神经网络的新型神经网络，它有着严格的生物学背景，被广泛的应用于图像分割、图像融合、图像增强等领域，并显示出在图像处理领域强大的优越性。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，不足之处在于，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 =0.5，阈值初始值为
Figure 323188DEST_PATH_IMAGE002
等。 
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： 
      
Figure 102926DEST_PATH_IMAGE003
                         （1） 
将所有像素点按从大到小的顺序排列成一个有序序列
Figure 560452DEST_PATH_IMAGE004
，这个序列定义为阈值T，即阈值由像素点决定，
Figure 437141DEST_PATH_IMAGE005
是图像的灰度值，M为所有不同灰度值的个数。
Figure 843893DEST_PATH_IMAGE006
  
 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；
Figure 496777DEST_PATH_IMAGE008
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：
第一步：初始化，将像素点排序后得到阈值序列
Figure 729438DEST_PATH_IMAGE009
，再由相邻阈值的均值求出相应的偏置序列
Figure 785118DEST_PATH_IMAGE010
，
Figure 601765DEST_PATH_IMAGE011
第二步：, 
Figure 485331DEST_PATH_IMAGE013
 ，
Figure 977492DEST_PATH_IMAGE014
 ，；
第三步：
Figure 2012100883640100002DEST_PATH_IMAGE016
并到第四步，
Figure 182656DEST_PATH_IMAGE017
 ，
Figure 888444DEST_PATH_IMAGE018
并到第五步，否则返回第二步；
第四步：
Figure 285927DEST_PATH_IMAGE019
 ，
Figure 77166DEST_PATH_IMAGE020
Figure 716832DEST_PATH_IMAGE021
，到第五步，否则，
Figure 339444DEST_PATH_IMAGE022
 ，返回第二步；
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
Figure 173407DEST_PATH_IMAGE023
均被讨论，迭代结束，否则，返回步骤五。
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
Figure 687828DEST_PATH_IMAGE024
，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
Figure 632650DEST_PATH_IMAGE025
 （
Figure 47451DEST_PATH_IMAGE026
），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： 
第一步：初始化，将像素点排序后得到阈值序列
Figure 51102DEST_PATH_IMAGE004
，再由相邻阈值的均值求出相应的偏置序列
Figure 534036DEST_PATH_IMAGE010
，
 
第二步：
Figure 244689DEST_PATH_IMAGE012
, 
Figure 733702DEST_PATH_IMAGE029
 ，
Figure 20327DEST_PATH_IMAGE030
 ，
Figure 144140DEST_PATH_IMAGE031
；
      第三步：
Figure 490808DEST_PATH_IMAGE032
并到第四步，
Figure 464187DEST_PATH_IMAGE017
 ，
Figure 554503DEST_PATH_IMAGE033
并到第五步，否则返回第二步；
第四步：
Figure 798402DEST_PATH_IMAGE019
 ，
Figure 50392DEST_PATH_IMAGE020
Figure 513997DEST_PATH_IMAGE021
，到第五步，否则，
Figure 142424DEST_PATH_IMAGE022
 ，返回第二步；
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
Figure 506409DEST_PATH_IMAGE034
均被讨论，迭代结束，否则，返回步骤五。
  

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：   
Figure 2012100883640100001DEST_PATH_IMAGE001
                                      （1）     
将所有像素点按从大到小的顺序排列成一个有序序列
Figure 2012100883640100001DEST_PATH_IMAGE002
，这个序列定义为阈值T，即阈值由像素点决定，
Figure 2012100883640100001DEST_PATH_IMAGE003
是图像的灰度值，M为所有不同灰度值的个数，
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
Figure 2012100883640100001DEST_PATH_IMAGE005
定义为相邻阈值的均值，
Figure 2012100883640100001DEST_PATH_IMAGE006
Figure 2012100883640100001DEST_PATH_IMAGE007
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：
第一步：初始化，将像素点排序后得到阈值序列
Figure 769818DEST_PATH_IMAGE002
，再由相邻阈值的均值求出相应的偏置序列
Figure 2012100883640100001DEST_PATH_IMAGE008
第二步：
Figure 2012100883640100001DEST_PATH_IMAGE009
,
Figure 2012100883640100001DEST_PATH_IMAGE010
 ， ，
Figure 2012100883640100001DEST_PATH_IMAGE012
；
      第三步： ，
Figure 2012100883640100001DEST_PATH_IMAGE014
并到第四步，
Figure 2012100883640100001DEST_PATH_IMAGE015
 ，
Figure 60859DEST_PATH_IMAGE014
并到第五步，否则返回第二步；
第四步： ，
Figure 2012100883640100001DEST_PATH_IMAGE017
Figure 2012100883640100001DEST_PATH_IMAGE018
，到第五步，否则， ，返回第二步；
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。
CN2012100883640A 2012-03-30 2012-03-30 一种新图像分割算法 Pending CN102622760A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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