PDF《一种基于 PCNN的图像自动分割方法》

《自动化与仪器仪表》2008 年第

6 期(总第

140 期)

97 一种基于PCNN的图像自动分割方法 火元莲 (西北师范大学物理与电子工程学院 兰州,730070) 摘要:脉冲耦合神经网络(PCNN)是20 世纪

90 年代形成和发展的一种新型神经网络,在图像处理领域得到广泛 的应用.

本文提出了一种基于简化的PCNN与类内最小散度类间最大方差相结合的自适应图像分割方法,在每次迭代时 将脉冲耦合神经网络点火的神经元对应的像素作为目标,未点火的神经元对应的像素作为背景,计算目标和背景像素 灰度值的类间方差与类内散度,取类间方差与类内散度比值最大的分割图像作为最终结果.实验结果表明,本文算法 可以有效地对不同图像进行自动分割,是一种可行的与有效的图像分割方法. 关键词:脉冲耦合神经网络(PCNN) ;

类内散度;

类间方差;

图像自动分割 Abstract: Pulse Couple Neural Network(PCNN) is a new Neural Network which is formed and developed in the 1990'

s and shows highly applicable in the field of image processing. This paper proposes a new automatic image segmentation method based simplified PCNN and the maximum value of the ratio of scattered measure within clusters and the between-cluster variance. The fired nerves and the unfired nerves of PCNN corresponding to pixels of image are considered as target and the background respectively. The within clusters and between-cluster variance are calculated at each process of iteration. The optimal segmenta- tion result is obtained when the maximum value of the ratio of scattered measure within clusters and the between-cluster variance is achieved. Experimental results show that the method can achieve better image segmentation and has a common applicability. Key word: Pulse coupled neural network(PCNN) ;

Scattered measure within clusters ;

Between-clusters variance ;

Auto- matic image segmentation 中图分类号: TP391 文献标识码:A 文章编号:1001-9227(2008)06-0097-03

0 引言图像分割是把图像中具有不同涵义的区域区分开来,提 取出感兴趣目标的技术, 分割结果的好坏直接影响到后续图 象分析的质量. 如何有效地、 自适应地分割一直是图象分割 的难点, 对此, 研究人员提出了许多图像分割方法, 包括阈 值方法、基于边缘的方法、基于区域的方法和混合的边缘/ 区域方法等.近年来,脉冲耦合神经网络(PCNN)被广泛地 应用于图像处理中[1][2][3] , 并取得了显著的效果. 文献[4]完 成了PCNN图像分割并强调分割判断准则对PCNN分割处理的 至关重要性. PCNN在图象处理中,通常以每个像素对应一 个神经元, 利用神经元的同步脉冲发放特性, 时具有相似灰 度值的神经元同步点火, 以达到图象分割的目的. 本文提出 了一种新基于PCNN的图象分割方法, 将PCNN每次迭代后点 火的神经元作为目标类, 没点火的神经元作为背景类, 计算 目标和背景像素灰度值的类间方差与类内散度, 取类间方差 与类内散度比值最大的分割图像作为最终结果.

1 PCNN模型及其改进 构成 PCNN 的神经元是一个综合的动态非线性系统,包 括接受域、 内部活动部分(调制部分)和脉冲发生器三部分, 其数学模型如下: (1) (2) (3) (4) (5) 式中,下标 i,j为神经元的标号,n为迭代次数,Si,j 、 Fi,j (n)、 Li,j (n)、 Ui,j (n)、 i,j (n)、 Yi,j (n)分别为神经元的外 部刺激、第i,j个神经元的第n次反馈输入、连接输入、内 部活动项、动态阈值、和PCNN的二值输出.M和 W为链接权 矩阵(一般 W=M),aF 、aL 、aθ 分别为 Fi,j 、Li,j 、 i,j 的衰减时 间常数;