面向图像分割的自适应脉冲耦合神经网络理论及应用研究

Pulse coupled neural network (PCNN) is a bio-vision bionics from senior mammalian with more similarity to the human visual perception mechanism, which has been accepted great attentions in recent years, and brings new opportunities for improving image processing performance. Although existing PCNN theory made preliminary results, there are still many problems, such as parameters automatically set, blocked the PCNN's deeper application and development.. In order to model adaptive PCNN for image segmentation, this project will explore optimal PCNN neuron model, the rule of network parameters automatic determination, optimizing algorithms, terminate conditions for controlling the quality of segmented image and propose the adaptive PCNN model which could improve the precise and robust for image segmentation. The research of project will provide a new solution and method for the study of image segmentation based on human visual perception, and will be significant to image processing, artificial intelligence, computer vision domains' development, and also will motivate the development of artificial neural network discipline.

脉冲耦合神经网络来源于高级哺乳动物的视觉仿生，更符合人类的视觉感知机理，近年来受到了广泛关注，为提高图像处理性能带来了新的机遇。尽管现有理论取得了初步成果，但由于网络参数自动设置等难题，限制了其进一步的应用和发展。. 本项目以建立面向图像分割的自适应脉冲耦合神经网络模型为目的，深入研究脉冲耦合神经网络神经元的优化模型，网络参数的自动确定和寻优算法，控制图像分割质量的迭代点火终止准则，并在此基础上构建适用于图像分割的自适应脉冲耦合神经网络模型，提高图像分割的精度和鲁棒性，为基于人类视觉特性的图像分割方法的研究提供新的解决思路和解决方法。本项目的研究将对图像处理、人工智能、计算机视觉等领域的发展具有重要意义，对人工神经网络及其相关学科的发展也将起到积极的推动作用。

图像分割是图像处理中的关键问题，其分割结果对后续图像识别和理解至关重要。本项目针对脉冲耦合神经网络应用于图像分割时模型复杂度太高，网络参数难确定以及迭代点火终止时间无法控制等问题，开展了面向图像分割的自适应脉冲耦合神经网络算法研究，完成了原定的研究计划并取得了如下研究成果。在脉冲耦合神经网络神经元模型优化方面，借鉴标记分水岭算法中区域标记的思想，提出了一种简化型标记脉冲耦合神经网络（Marker Simplified Pulse Coupled Neural Network, Marker-SPCNN）模型；针对连接矩阵在脉冲耦合神经网络中的重要作用，提出利用感受野模型对连接矩阵的结构进行优化，提出了一种基于感受野的脉冲耦合神经网络（Receptive field-pulse coupled neural networks，RF-PCNN）模型；提出了一种基于视觉注意机制的脉冲耦合神经网络（Visual Attention Mechanism Pulse Coupled Neural Networks, VAMPCNN）模型。针对网络参数难以确定问题，提出了基于数学分析法的SPCNN模型参数设定方法；提出了一种基于最大类间方差、局部邻域灰度均方差和Hebb学习规则的PCNN模型参数设定方法。针对脉冲耦合神经网络（Pulse Coupled Neural Network, PCNN）应用于图像分割时无法判断网络迭代点火的终止时间，无法选择最佳的迭代点火终止时间问题，提出了基于能量泛函最小的SPCNN模型最佳分割结果判断准则；提出了基于图像分割质量评价方法的自适应PCNN图像分割方法。在基于脉冲耦合神经网络模型的图像分割方法应用方面，提出了一种基于改进的脉冲耦合神经网络模型的运动车辆阴影消除方法；提出了一种基于RF-PCNN的复杂背景车辆图像分割新方法；提出了一种基于视觉注意机制的脉冲耦合神经网络(VAMPCNN)模型车辆图像分割方法；提出了基于标记PCNN的乳腺肿块分层检测方法；提出了基于SPCNN与改进矢量CV模型的乳腺X射线肿块分割方法。通过理论研究，综合分析和实验仿真，课题研究成果对于基于人类视觉特性的图像分割方法研究提供了新的解决思路和解决方法，对图像处理和计算机视觉等领域的发展有一定意义。