PCNN圖像分割技術研究

摘 要： 在圖像處理中，精確的圖像分割可以加快后續的處理工作，具有更好的應用性。根據近些年提出的脈沖耦合神經網絡模型在圖像分割中的應用，給出其在圖像分割中的基于熵函數、準則函數、參數調整和改進的脈沖耦合神經網絡模型的4種方法，并對各個方法進行了綜述。最后根據模型的基本特性和文獻進展情況，給出脈沖耦合神經網絡模型在圖像分割中未來的研究方向。

關鍵詞： 脈沖耦合神經網絡； 圖像分割； 熵； 參數調整

中圖分類號： TN919?34 文獻標識碼： A 文章編號： 1004?373X（2014）02?0038?04

圖像分割是圖像處理中重要的課題。圖像分割在醫學、軍事、通信等領域起著非常重要的作用，故此精確的圖像分割在生活中非常重要。圖像分割的方法很多，包括聚類算法、小波變換、馬爾科夫模型、圖論方法、人工神經網絡方法等。在其人工神經網絡圖像分割的方向中，由于人工神經網絡本身具有的分類特性，因此具有很好的區域分割性能。而脈沖耦合神經網絡（Pulse Coupled Neural Networks，PCNN）是根據貓等哺乳動物的視覺特性研究建立的模型，在應用到圖像分割中時，與其他的任何分割方法相比，它具有顯著的特點是：用 PCNN 進行圖像分割[1]時，會產生脈沖簇，從而可以實現區域性分割，因此PCNN方法進行圖像分割更為便捷。

PCNN圖像分割技術到目前為止已經取得了很大的進步，PCNN圖像分割技術主要有下述幾個方面。

1 基于圖像熵函數的PCNN圖像分割

熵表示的是不確定性的量度。信息論的創始人香農（Shannon）在其著作《通信的數學理論》中提出了建立在概率統計模型上的信息度量。……