第
31
卷第
10
期
2011
年
10
月
计算机应用
JOUIT
>al of Computer Applications
Vo
l.
31
No.
lO
Oc
t.
2011
文章编号:
1
∞
1
-9081(2011)10
-2753
-04
doi:l0.
3724/SP.
J.
1087.2011.02753
基于灰度迭代阐值脉冲稠合神经网络的图像分割
华
建)
陈肌
陵日叫
心剧川
施且
m
L41
制d
h
在自由
m
喻信删
如叫巧也
茹…调
海(
李
摘
要:为有效分辜
'IJ
图像，提出了灰皮迭代阅值脉冲祸合神经网络
(GIT-PCNN)
0
GIT-PCNN
简化了传统
PCNN
模
型，将其指数衰减的闯佳改进为图像的灰皮迭代
l
司值。
GIT-PCNN
分割图像时元需进行参数和循环次数选择，也无需
使用特定原则确定循环结束条件，一次点火过程完成分割。
GIT-PCNN
分割图像时充分利用了图像的灰皮信息和
PCNN
特有的空间邻近及像素灰皮值相似集群发放脉冲提供的图像局部位直信息。实验结果表明，
GIT-PCNN
在主观
及客观的分割性能和速度上均优于经典的
PCNN
分割方法。
关键词:图像分割;脉冲稿合神经网络;指数衰减阅值;灰皮迭代阅值;分割性能
中图分类号
:T
凹
9
1.
41;TN91
1.
73
文献标志码
:A
Image segmentation based on
grayscale iteration threshold pulse coupled neural network
LI
Hai-yan
,
ZHANG
Yu-feng
, SHI
Xin-ling
,
CHEN
Jian
斗
lua
(Sc
/w
ol
01
lr
矿
onnation
Science
α nd
Engineering, Yunnan
Un
阳
ersity
，
Kunming Yunnan
650091
, China)
Abslract:
A new method, called Grayscale Iteration Threshold Pulse Coupled Neural Network (GIT-PCNN) ,
was
proposed for image segmentation. The GIT-PCNN reduced the required parameters of conventional PCNN and the exponentially
decaying threshold was improved to be related
to
the grayscale statistics of the original image. When GIT-PCNN was applied
to
image segmentation, no parameter or iteration time needs to be deterrnined since the segmentation could be completed by one
time of PCNN firing process. Therefore
, GIT-PCNN did not require specific rule as the iteration stop condition. GIT-PCNN
made good use of the grayscale inforrnation of the original image and the pulse characteristics of PCNN that the neurons
associated with each group of spatially connected pixels with similar intensities tended
to
pulse together when partitioning
images.
Th
e experimental results show that GIT-PCNN is better than classical PCNN-based segmentation algorithms on visual
evaluation, subjective indices and speed perforrnance.
Key
words:
image segmentation; Pulse Coupled Neural Network
(PCNN);
exponentially decaying threshold; grayscale
iteration threshold; segmentation perforrnance
。
引言
图像分割在图像分析和识别中具有重要作用，目前还没
有可用于各种类型的图像分割方法，因此图像分割是一个值
得深入研究的问题。脉冲搞合神经网络
(Pulse
Coupled
Neural Network ,
PCNN)
因其良好的生物视觉特性被成功地用
于图像分割
[1-6J
PCNN
用于图像分割时，可较好地处理图
像目标和背景灰度有重叠的情况，同时能忽略同一区域内小
的灰度差异和空间间断
[IJ
。但是，传统的
PCNN
模型用于图
像分割时需要确定的参数较多，分割结果与参数的选择密切
相关，较好的分割结果一般需要多次实验或人工干预，目前没
有理论来解释图像、网络参数与分割结果之间的关系，网络参
数选择不恰当，会导致图像欠分割或过分割。为选择合适的
PCNN
模型参数，文献[
1
J
提出了利用图像本身空间和灰度特
性自动确定
PCNN
网络参数的分割方法，该方法通过分割结
果的最大香农情确定
PCNN
的循环次数;文献
[2J
提出了香
农恼值最大且可动态确定循环次数的
PCNN
分割方法，利用
遗传算法自动确定衰减系数、链接系数和阔值。这些方法可
动态确定
PCNN
的部分参数和循环次数，但增加了算法的时
间复杂度。此外，在合理选择
PCNN
的参数后，分割结果还与
循环次数密切相关。为解决此问题，文献
[3J
提出了用最小
交叉恼确定最佳分割结果的方法。文献
[4J
提出了简化的
unit-linking
PCNN
分割算法，该模型不需进行参数选择，但需
多次循环并计算每次循环分割的二值图像的香农恼，根据最
大香农恼值判定最优的分割结果。但是基于最大香农媲或最
小交叉'脑准则的分割方法均有一定的局限性。香农俯对于分
割前景像素和背景像素相差不大时效果佳，但它忽略了图像
的空间关系。最小交叉摘描述了分割前后图像信息量的差
异，对图像中目标和背景没有比例要求，但是缺乏一定的细节
分辨能力
[5J
。文献
[5J
提出了对图像进行分块处理，再使用
最大香农摘与最小交叉
d
腐结合的多种准则来确定分割结果的
方法。这些方法需要进行多次循环分割并计算每次分割结果
的图像香农情或交叉
J
脯，影响了分割速度。最后，
PCNN
的阂
值函数是一个与灰度特征元关而随时间衰减的函数，因此在
收稿日期
:2011
-04
-20;
修回日期
:2011
-06
一
16
。
基金项目:云南省教育厅科学研究基金资助项目(
K1050627)
;云南大学第二批中
青年骨干教师基金资助项目;云南大学在职培养博士科研启动基金资助项目
(21132014
)。
作者简介:李海燕(1
976
一)
，女，云南红河人，副教授，博士，主要研究方向:人工神经网络;
张揄锋
(1965
-)，男，云南大理人，教授，博士，
主要研究方向:生物医学信号检测与处理;
施心陵(1
956
斗，男，云南昆明人，教授，主要研究方向:智能信号检测与处理;
陈建华(1
964-)
，
男，云南昆明人，教授，博士，主要研究方向:信息编码。
资源评论
