【技术实现步骤摘要】
一种改进的PSO优化PCNN模型的图像分割算法
本专利技术属于机器学习、机器视觉领域，具体涉及一种改进的PSO优化PCNN模型的图像分割算法。
技术介绍
图像分割是图像、视频目标识别、理解、语义分析等研究的基础，是计算机视觉中首要的关键步骤。在图像处理、模型识别和人工智能等多个领域中，图像分割已被广泛应用，如织物疵点检测、多源图像融合、图像语义理解等。然而，图像分割存在边缘分割不准确、纹理、细节丢失、缺失语义以及图像对象遮挡等现象，依然是一个十分重要且具有挑战性的研究问题。在图像分割算法中，最常用的分割算法为阈值法，如经典的Otsu、分水岭等。但是这些算法受到应用背景的限制，缺乏通用性。与经典的图像分割方法如k-means、FCM、GMM、MRF等相比，基于脉冲耦合神经网络(PCNN:PulseCoupledNeuralNetwork)的图像分割方法成为近些年研究的热点。脉冲耦合神经网络是模拟猫、猴等哺乳动物大脑视觉皮层上同步脉冲发放现象而建立的一种神经网络，作为第三代人工神经网络的新模型，具有优良的生物学背景以及捕获同步脉...
【技术保护点】
1.一种改进的PSO优化PCNN模型的图像分割算法，其特征在于，包括以下步骤：/nS1：采用k-means二值分割结果作为简化的PCNN模型的初始脉冲输出Y；/nS2：初始化粒子群；/nS3：粒子群优化简化的PCNN模型参数，具体优化方式如下：/nS3.1：将每个粒子作为简化的PCNN模型的参数，引入自适应迭代更新过程，采用最大熵准则评价分割效果，计算该粒子对应的图像分割最佳阈值；/nS3.2：所有粒子执行S3.1后，并储存最佳结果，分析脉冲输出，求解个体最佳粒子和全局最佳粒子、阈值、脉冲输出；/nS3.3：由相邻迭代的输出结果和设定的迭代次数评价迭代是否终止；若不满足终止...
【技术特征摘要】
1.一种改进的PSO优化PCNN模型的图像分割算法，其特征在于，包括以下步骤：
S1：采用k-means二值分割结果作为简化的PCNN模型的初始脉冲输出Y；
S2：初始化粒子群；
S3：粒子群优化简化的PCNN模型参数，具体优化方式如下：
S3.1：将每个粒子作为简化的PCNN模型的参数，引入自适应迭代更新过程，采用最大熵准则评价分割效果，计算该粒子对应的图像分割最佳阈值；
S3.2：所有粒子执行S3.1后，并储存最佳结果，分析脉冲输出，求解个体最佳粒子和全局最佳粒子、阈值、脉冲输出；
S3.3：由相邻迭代的输出结果和设定的迭代次数评价迭代是否终止；若不满足终止条件，结合公式更新粒子群的个体最优和全局最优值，进行粒子位置和速度的更新，并返回下次PSO优化迭代；
S4：输出图像最优分割结果；
其中，所述简化的PCNN模型包括接受域、调制域和脉冲发生器，其离散数学方程描述如下：
Fi,j(n)＝Ii,j(1)
Ui,j(n)＝Fi,j(n)[1+βLi,j(n)](3)
θi,j(n)＝e-aθi,j(n-1)+VθYi,j(n-1)(4)
对于神经元(i,j)，式(1)为反馈通道F的输入Fi,j，反馈通道F接受外部激励输入Ii,j，即图像的像素值；式(2)为链接通道L的输入Li,j，接受邻域神经元(k,l)的脉冲激励输入，Wk,l为邻域联接权，决定了邻域神经元对中心点神经元的影响；反馈通道F和链接通道L构成PCNN模型的接受域；
在调制域中，Fi,j和Li,j经过非线性相乘，调制形成神经元内部状态值Ui,j，如式(3)所示，β为调制域中链接通道L输出的链接强度；
在脉冲发生器中，如式(5)所示，当内部状态值Ui,j大于神经元的阈值θi,j时，神经元发出脉冲，并输出为1，否则无脉冲，由此形成脉冲输出序列Yi,j；
其中，在迭代计算过程中，阈值θi,j做非线性的指数衰减变化，如式(4)所示，a为衰减指数，Yi,j为脉冲输出，Vθ为幅值系数。
2.如权利要求1所述的改进的PSO优化PCNN模型的图像分割算法，其特征在于，所述步骤S3具体包括以下步骤：
(a)对于每个粒子，执行内循环，由简化的PCNN参数结合公式更新阈值θ；
(b)采用粒子适应度函数评价分割结果，结合该粒子的上次输出结果，选择粒子个体最佳Pbest、对应阈值和脉冲输出；
(c)所有粒子执行完(a)和(b)后，计算全局最佳粒子Gbest及其对应阈值和脉冲输出；
(d)由相邻迭代的全局最佳粒子对应的脉冲输出的差异和设定的迭代次数，判别PSO优化迭代是否终止...
【专利技术属性】
技术研发人员：周同驰，瞿博阳，朱小培，王延召，张毫，李征，
申请(专利权)人：中原工学院，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。