基于改進SPCNN模型的機場跑道膠痕檢測方法

摘 要： "針對機場跑道膠痕形態特征多樣性和跑道環境復雜性導致膠痕檢測效率低下的問題，提出了基于改進簡化脈沖耦合神經網絡模型的機場跑道膠痕圖像分割算法。首先在利用鄰域灰度關系優化反饋輸入的基礎上，將神經元點火閾值機制從傳統的指數衰減改進為線性分層步長衰減。然后引入杜鵑搜索算法，結合最小交叉熵對改進模型進行參數尋優。最后根據點火映射區域的平均灰度值構建自適應迭代終止條件。實驗結果表明，該算法具有更高的膠痕檢測精度，且在光照條件較差和標志線影響的情況下具有更好的抗干擾性。

關鍵詞： "圖像分割； 機場跑道膠痕； 脈沖耦合神經網絡； 杜鵑搜索算法

中圖分類號： "TP391.9 """文獻標志碼： A

文章編號： "1001-3695（2022）02-050-0609-04

doi：10.19734/j.issn.1001-3695.2021.06.0238

Airport runway rubber mark detection method based on "improved simplified pulse-coupled neural network

Liu Xiaolin， Wu Jiamin

（College of Electronic Information amp; Automation， Civil Aviation University of China， Tianjin 300300， China）

Abstract： "Aiming at the problem of low efficiency of rubber mark detection due to the diversity of morphological features of airport runway rubber mark and the complexity of the runway environment，this paper proposed a new airport runway rubber mark image segmentation algorithm based on simplified pulse coupled neural network.Firstly，on the basis of optimizing feedback input by using neighborhood gray-scale relationship，this algorithm improved the neuron ignition threshold mechanism from the traditional exponential decay to linear stratified step decay.Then，it combined the cuckoo search algorithm with the minimum cross entropy to optimize the parameters of the improved model.Finally，according to the average gray value of the ignition mapping area，it constructed an adaptive iterative termination condition.The experimental results show that the proposed algorithm has higher rubber mark detection accuracy and better anti-interference performance under the influence of poor lighting conditions and marking lines.

Key words： "image segmentation； airport runway rubber mark； pulse coupled neural network（PCNN）； cuckoo search algorithm

飛機著陸時，輪胎與跑道路面接觸相互作用所產生的摩擦力和切割力會造成輪胎表面橡膠顆粒脫落。它們附著在路面上逐漸積累形成黑色膠痕，使跑道抗滑系數降低，產生粘性滑水現象［1］。因此，對膠痕進行檢測是機場跑道安全維護任務中的一項重要內容。

目前，國內外多采用人工視覺方法檢測跑道膠痕。工作人員借助手電筒、車燈等設備對跑道膠痕的分布和積累狀態進行逐段檢查［2，3］。該方法主要借鑒維修人員的工作經驗，檢測效率和檢出精度難以獲得令人滿意的結果。近幾年，隨著計算機視覺技術和圖像處理技術的不斷發展，研究者將兩者結合實現了跑道膠痕的自動檢測［2］。由于只能在夜間停航時進行檢測，檢測系統受夜間光照條件的影響，得到的跑道膠痕圖像質量較差，同時機場跑道環境的復雜性也增加了圖像背景的復雜度，使傳統圖像分割算法難以完成對圖中膠痕的精確分割，而結構簡單、非線性處理能力強、學習速度快的神經網絡則在復雜圖像分割領域具有明顯優勢。因此采用神經網絡對膠痕圖像進行分割能有效解決當前膠痕檢測的問題。劉曉琳等人［4］采用RGB顏色空間與BP神經網絡相結合的分割算法，克服了機場跑道環境復雜的困難，實現了膠痕的自動檢測，具有較高的檢測效率，但RGB顏色空間模型無法排除光照的影響，使得分割結果產生誤差，檢測精度不夠理想。

脈沖耦合神經網絡（PCNN）起源于Eckhorn等人［5］對哺乳動物視覺神經元發放脈沖現象的研究，該生物信號處理機制已被廣泛應用到圖像分割領域。與傳統的神經網絡相比，PCNN不需要任何訓練樣本，其計算速度快、靈敏度高，并且其特有的鄰域相似神經元同步點火性質有助于解決夜間光照不均勻導致的成像質量問題以及膠痕與路面混疊導致誤分割的問題。雖然PCNN性能優越，但需要耗費大量時間人工調試模型參數。因此，標準的PCNN模型通常被簡化，以降低計算難度，其中最具有代表性的簡化模型為SPCNN［6～9］。

鑒于此，本文以機場跑道膠痕圖像為研究對象，提出一種改進型SPCNN圖像分割算法，實現模型的優化以及參數的自動設置，提高跑道圖像中膠痕分割的效率以及精度，進而提升機場跑道膠痕檢測的自動化和智能化程度。

1 原始SPCNN模型原理分析

作為第三代神經網絡，PCNN的二維單層結構使其不需要提前采集數據進行訓練，因此在圖像處理領域具有相當的優勢。但其模型過于復雜，必須花費大量時間進行人工調參，而且參數的選擇標準并沒有明確的理論依據，給圖像的自適應分割帶來了極大的困難。因此，為了在保留PCNN特性的同時減少參數，研究人員提出了SPCNN模型，如圖1所示。

F ij［n］=S ij ""（1）

L ij［n］=∑ w "ijklY kl［n-1］ ""（2）

U ij［n］=F ij［n］（1+βL ij［n］） ""（3）

Y ij［n］= "0 "others

1 U ij［n］gt;θ ij［n］ """"（4）

θ ij［n］= exp （-α θ）θ ij［n-1］+V θY ij［n-1］ ""（5）

其中： F ij 為神經元反饋輸入部分； S ij 為輸入激勵，表示當前神經元即點 （i，j） 的像素灰度值； L ij 為連接輸入； w "ijkl 為神經元內部連接矩陣； U ij 為神經元內部活動項； β 為連接系數； Y ij 為神經元脈沖輸出； θ ij 為神經元動態閾值； α θ 為衰減系數； V θ 為放大系數。由式（1）～（5）分析可知， Y ij 取決于 θ ij 和 U ij 的大小關系。當 θ ij lt; U ij 時，神經元點火，輸出高脈沖，然后 θ ij 快速放大直到大于 U ij 時停止點火，輸出低脈沖，此時 θ ij 開始衰減。當 θ ij 再次衰減到小于 U ij 時，脈沖再次產生，如此周期往復，脈沖序列信號就產生了。

由于神經元的鄰域連接特性，點火的神經元會激勵鄰域灰度值近似的神經元產生同步振蕩現象，即一個神經元點火，會捕獲其周圍與其相似的神經元并發生同步點火，這是SPCNN具有潛在高性能分割圖像的本質原因［10］。但SPCNN模型存在不合理之處且需要計算四個關鍵參數，不能根據具體的圖像信息自適應設定，為了進一步提高模型對于圖像分割的自適應能力、降低計算復雜度，有必要對模型進行改進和優化。

2 改進模型及參數選擇

雖然，SPCNN相對PCNN簡化了神經元的耦合連接輸入和反饋輸入，但SPCNN模型依舊存在以下問題：a） F ij 在原始模型中直接采用像素點的灰度值，當該像素點的灰度值與鄰域內其他像素點灰度值相差不大時，容易出現誤分割的情況；b） θ ij 在原始模型中采用的指數衰減方式，不適用于圖像分割；c）原始模型中采用最大信息熵準則作為迭代自動停止的機制，這顯然不適用于所有的圖像；d）無法根據圖像具體信息自適應設定模型參數。所以，本文將從模型和參數自動設置兩方面對原始SPCNN模型進行改進。

2.1 SPCNN模型的改進

針對原始SPCNN模型中存在的問題，提出以下三個相應的改進之處。

1）反饋輸入 反饋輸入取決于當前像素灰度值與鄰域內像素的均值灰度值的大小關系，即當前像素灰度值較大，則當前像素灰度值取鄰域內最大的灰度值，反之則取值鄰域內最小的灰度值，即可適當增強像素點之間的對比度，避免誤分割。公式如下：

F ij［n］= ""max （S kl） S ijgt;S

min （S kl） S ijlt;S """""（6）

其中： S kl 為點 （i，j） 8鄰域內像素點的灰度值； S "為8鄰域內像素點的平均灰度值。

2）神經元動態閾值 指數衰減機制用于圖像分割不合理的原因在于分割時它會使得灰度值位于快衰減部分的圖像欠分割，灰度值位于慢衰減部分的圖像過分割，使得分割出現錯誤。另外，指數衰減造成的閾值振蕩特性增加了對模型迭代次數選擇的難度［11］。因此，為了得到更好的圖像分割效果，本文采用線性分層步長衰減方式。公式如下：

θ ij［n］=θ ij［n-1］-kΔ+V θY ij［n-1］ ""（7）

其中： Δ 為基礎衰減步長； k 為分層比例系數。

假設神經元點火時按照灰度自大到小的規律，那么點火區域和未點火的區域則分別代表背景和目標。在一幅圖像中，背景（目標）的亮度分布主要集中于背景類 Ω 0 （目標類 Ω 1 ）的均值。公式如下：

T c［n］= ∑ ij∈Ω cF ij ∑ ij∈Ω c1 ，c=0，1 ""（8）

其中： Ω 0={（i，j）|Y ij[n-1]=0} ， Ω 1={（i，j）|Y ij[n-1]=1} 。 T 0［n］ 和 T 1［n］ 將灰度直方圖粗略地分為 ［0，T 0［n］］ ， ［T 0［n］，T 1［n］］ ， ［T 1［n］，255］ 三種區域，分別對應目標區、目標和背景的混合區以及背景區。

在混合區，為確保能把混合的背景和目標通過不同的點火時刻區分出來，衰減步長應足夠小，在背景區和目標區衰減步長則不需要太小，避免浪費運算資源，增加運算時間。經過多次實驗，選取 k 的最佳值如式（9）所示。

k= "1 θ ij∈（T 0，T 1）

5 others """（9）

3）迭代終止條件 原始SPCNN模型的迭代終止條件的設置為最大信息熵（maximum information entropy principle，MIEP）準則。信息熵的定義為

H=-P 1 *log 2 P 1-P 0 *log 2 P 0 ""（10）

其中： P 1、P 0 分別表示輸出圖像 Y ij［n］ 中像素為1、0的概率。可以看出，當 P 1=P 0 時，信息熵最大，即目標和背景各占圖像 1/2 時效果最佳，這顯然不具有普適性。因此，本文設計一種可以實現自適應迭代的終止條件，公式如下：

T （n）= ∑ （p，q）∈Ω S（p，q） N ，Ω={（i，j）|Y ij[n]=1} ""（11）

其中： T （n） 為改進模型每次迭代點火區域映射在原圖上的區域平均灰度值，初始值設置為0； N 為該區域內的像素總數； Ω 為第 n 次輸出的點火區域。隨著迭代過程的進行， T （n） 將會不斷增長直到無明顯變化，這表明輸出區域與目標區域已大部分吻合，不再進行更新，此時即可停止迭代，輸出結果。

由此，整個模型通過簡化和改進，雖然不再嚴格符合原始定義的生物學機制，但提高了模型的適應性和精確性，更適用于圖像分割。

2.2 改進模型的參數選擇

如何實現參數自動求取是提高改進模型的自適應能力，提高分割精度與效率的關鍵所在。目前，關于PCNN參數自動求取的方法主要分為兩類。一類是從PCNN自身原理和數學特性出發進行改進的方法，例如對改進型PCNN的動態行為進行理論分析和公式推導［12］；對無耦合連接和耦合連接兩種狀態下的PCNN數學模型進行點火機理分析［13］。這類方法受限于PCNN原理，模型的改進不能解決PCNN模型參數分配難度隨性能提高而增加的問題。因此多數研究人員轉向通過使用優化算法與PCNN相結合的方法，即第二類方法。大多數優化算法是元啟發式優化算法，比如聯合蟻群算法（ACO）［14］、粒子群優化算法（particle swarm optimization，PSO）［15］、混合蛙跳算法（SFLA）［16］等。

相關研究顯示，杜鵑搜索算法（cuckoo search，CS）［17，18］算法能夠在局部搜索戰略和整個搜索空間的高效探索之間保持良好的平衡，比遺傳算法（genetic algorithm，GA）、差分進化算法（differential evolution algorithm，DE）有更好的全局尋優能力［19］。因此，本文采用CS算法在解空間里尋優改進模型中難以確定的參數，即 w ijkl、β、V θ 。

a） w ijkl 設定已幾乎統一為鄰神經元的歐氏距離的倒數，公式如下：

w ijkl= "0 （i，j）=（k，l）

1 ‖（i，j）-（k，l）‖2 "（i，j）≠（k，l） """"（12）

b） β、V θ 通過CS算法尋優， β為0～1，V θ 為0～99，具體算法描述如下：

（a）參數初始化。設置鳥巢數量 num=15 ，搜索空間維度 dim=2 ，最大迭代次數 time=500 ，發現概率 Pa=0.25 。隨機初始化鳥巢的位置 x i ，定義目標函數 f（x） 。在本文中采取的目標函數為最小交叉熵，熵越小則說明分割效果越好。

（b）利用預定義的適應度函數計算初始化鳥窩適應度值 f（x i） ，記錄當前整個鳥窩位置并比較得到當前最優 f best 。

（c）保留上代最優鳥窩位置，利用式（13）更新其他鳥窩位置。

x i（t+1）=x i（t）+α⊕ Levy （λ） i=1，2，3，…，n ""（13）

其中： x i（t+1） 是第 i 個杜鵑在第 t+1 代的鳥巢位置； x i（t） 是第 t 代的鳥窩位置； α 是步長，通常 α=1 ；Levy （λ） 為隨機搜索路徑。

Levy～u = t-λ "1lt;λ≤3 ""（14）

將新生成的鳥窩與上一代鳥窩位置進行比較，更新除最優鳥窩外的位置和狀態，計算 f new 再與 f best 進行比較，更新 f best 。

（d）位置更新后，產生隨機數 r 并與 p a 比較，若 r≥p a 則隨機更新一次鳥窩位置。

（e）達到終止條件，否則回到步驟（c）。算法規定只要滿足以下任意條件，算法終止：當前熵值小于上一次的熵；算法執行到最大更新次數，CS算法終止，得到最優鳥窩。

（f）將最佳鳥窩位置的兩個參數代入改進模型中，輸出分割圖像。

機場跑道膠痕檢測整體流程如圖2所示。

3 仿真實驗及結果分析

為驗證本文模型的膠痕分割性能，在AMDR7-4800H CPU，8 GB內存計算機設備條件下，MATLAB 2014a環境下進行了編程實驗。實驗選取三幅拍攝于天津濱海國際機場的跑道膠痕圖像，從圖像分割的主觀視覺和客觀準則評價兩個方面，與Otsu、K-means聚類［20］、GA-PCNN［21］和SPCNN 進行分割結果圖像的分析對比，并且對分割結果圖像中的膠痕進行計算，評估四種算法的膠痕檢測能力。

3.1 主觀評價

圖3為三幅不同特征的機場跑道膠痕原始圖像，其中：（a）為中量白色標志線、無跑道燈和少量膠痕，光線明亮的跑道圖像；（b）為無白色標志線、有跑道燈和大量膠痕，光線暗淡的跑道圖像；（c）為少量白色標志線、有跑道燈和中量膠痕，光線適中的跑道圖像。圖4為不同算法的機場跑道膠痕圖像分割結果。

從圖4可以分析得知，對于三幅不同特征的機場跑道膠痕原始圖像，只有本文算法能夠完整清晰地分割出膠痕，而其他四種算法都出現了一定程度的誤分割。Otsu算法由于白色標志線的影響，在圖4（a）第一組出現了極其嚴重的過分割現象，將大面積路面背景都誤分割成了目標；第二組由于光線暗淡，在圖像左邊緣出現嚴重過分割現象；第三組在圖中膠痕分布密集部分出現輕度過分割現象。K-means聚類算法的分割結果尤其依賴參數的初始化，在經過多次實驗之后各選取分割效果最佳的三組圖，在圖4（b）第一組將白色標志線額外標記出來，第二組將白色標志線和跑道路面燈額外標記出來，這會對后續的膠痕檢測計算造成影響且對于膠痕分割來說是不必要的操作，而且在左上和右上出現輕微過分割現象；第三組基本能夠正確分割出膠痕，誤分割現象不嚴重。GA-PCNN算法在圖4（c）第一組出現欠分割現象，沒有完整保留白色標志線上的膠痕；第二組由于光線暗淡，圖像上邊緣出現輕微欠分割現象；第三組基本能夠正確分割出膠痕，誤分割現象不嚴重。SPCNN算法在圖4（d）第一組左下和右下出現輕微過分割現象；第二組在路面與膠痕大面積混疊的部分，出現了嚴重的過分割現象；第三組基本能夠正確分割出膠痕，誤分割現象不嚴重。在圖4（e）的三組結果圖中，本文算法排除了光線不勻、白色標志線和跑道路面燈的影響，不僅在混疊區域更準確地分割出了膠痕和路面，而且膠痕邊界清楚完整，與人類的視覺效果基本一致。因此，本文算法在主觀評價上明顯優于其他四種算法。

3.2 客觀評價

受限于機場跑道膠痕圖像分割的研究現狀，GT（ground truth）圖像難以獲取，使得本文無法像醫學圖像等通過有參考分割評價方法來評價分割結果。由于無參考評價法無須GT圖作為參照，僅通過計算分割后的區域或類別的統計特性即可判斷分割結果是否與視覺要求一致［22］。因此，本文選擇區域對比度、區域內部一致性［23］兩種無參考評價指標來對五種實驗算法得到的分割圖像進行客觀評價，結果如表1、2所示。

結合表1、2可以分析得知，不論跑道膠痕分布呈現什么特征，本文算法的區域對比度和區域內部一致性均優于Otsu、K-means、 GA-PCNN和SPCNN算法，且更加趨近于1。僅在表2區域內部一致性圖像（c）這組數據中，本文算法得到的0.934 1比GA-PCNN的0.938 9低了0.004 8。 可見，本文算法的客觀綜合評價效果最好。

五種算法對于三幅原始圖像的分割結果最小交叉熵如圖5所示。與香農熵不同， 最小交叉熵對原始圖像中目標與背景的比例沒有要求，依靠的是分割前后兩幅圖像信息量的差，因此可以更準確地評判圖像分割算法的優劣［24］。

由于Otsu關于第一張跑道圖像的分割結果出現明顯錯誤，該數據失去有效性。剔除掉該數據后，從圖5可以分析得知，本文算法的三幅分割結果的最小交叉熵均小于其他四種算法，因此本文算法對于機場跑道路面膠痕分割更具有優越性。

五種算法的時間對比如表3所示。從表3可以分析得知，本文算法運行時間相對較長，這主要是因為引入CS算法對參數尋優消耗了較多時間，但尚在可承受范圍之內。

3.3 膠痕占比分析

根據分割后的結果圖，進一步計算其中膠痕的占比，結果如表4所示。結合圖5和表4可以分析得知，Otsu算法三幅圖的膠痕占比均偏大，K-means算法圖像（a）的膠痕占比也偏大，GA-PCNN算法中圖像（a）（b）的膠痕占比偏小，SPCNN算法中三幅圖像膠痕占比均偏大，本文算法則對于三幅圖的膠痕占比都較為準確，更符合主觀判斷中分割結果圖的膠痕占比。

綜上，本文算法能夠完整清晰地保留膠痕的細節，并且誤分割程度小，對不同背景環境和不同分布特征的膠痕圖像具有更強的適應性，與其他四種算法相比，本文算法的膠痕檢測能力更優秀。

4 結束語

針對復雜環境下機場跑道路面膠痕檢測困難的問題，本文提出了一種基于改進SPCNN模型的機場跑道膠痕圖像分割算法。該方法首先對原始SPCNN模型進行簡化改進，然后采用CS算法對改進后的模型進行參數尋優，較好地解決了人工調參的問題，提高了模型的自動化程度，優化了SPCNN模型在圖像分割方面的性能。其次通過與其他四種流行圖像分割算法的主客觀質量評價和對比，驗證了該方法對機場跑道路面復雜環境具有一定的適應性和抗干擾性，膠痕檢測結果更為精確。最后通過計算分割結果圖中的膠痕占比，可得知相應跑道路面的膠痕積累程度，為進一步研究機場跑道膠痕全自動檢測和除膠奠定良好基礎。但其對于路面異物干擾和雨霧等天氣情況下的膠痕圖像分割還有進一步研究完善的空間，且耗時相對較長的問題也有待在后續研究中解決。

參考文獻：

［1］ "董城，周輪，陳麗萍，等.基于不同行駛狀態下輪胎-路面接觸應力響應研究［J］.公路工程，2018， 43 （6）：146-150，188. （Dong Cheng，Zhou Lun，Chen Liping， et al. Study on the stress response of tire-pavement based on different driving conditions［J］. Highway Engineering ，2018， 43 （6）：146-150，188.）

［2］ 劉曉琳，郭雙，袁昆.飛機跑道膠痕的自動識別系統設計與實現［J］.計算機測量與控制，2014， 22 （12）：4046-4049. （Liu Xiaolin，Guo Shuang，Yuan Kun.Design and realization of an automatic recognition system for rubber-marks on the runway［J］. Computer Mea-surement amp; Control ，2014， 22 （12）：4046-4049.）

［3］ 王寶帥，蘭竹，李正杰，等.毫米波雷達機場跑道異物分層檢測算法［J］.電子與信息學報，2018， 40 （11）：2676-2683. （Wang Baoshuai，Lan Zhu，Li Zhengjie， et al. A hierarchical foreign object debris detection method using millimeter wave radar［J］. Journal of Electronics amp; Information Technology ，2018， 40 （11）：2676-2683.）

［4］ 劉曉琳，李卓.基于RGB顏色空間的機場跑道膠痕自動識別系統［J］.現代電子技術，2020， 43 （14）：4-7. （Liu Xiaolin，Li Zhuo.Airport runway rubber-mark automatic identification system based on RGB color space［J］. Modern Electronics Technique， 2020， 43 （14）：4-7.）

［5］ Eckhorn R，Reitboeck H J，Arndt M， et al. Feature linking via synchronization among distributed assemblies：simulations of results from cat visual cortex［J］. Neural Computation ，1990， 2 （3）：293-307.

［6］ Chen Yuli，Park S，Ma Yide， et al. A new automatic parameter setting method of a simplified PCNN for image segmentation［J］. IEEE Trans on Neural Networks ，2011， 22 （6）：880-892.

［7］ 畢英偉，邱天爽.一種基于簡化PCNN的自適應圖像分割方法［J］.電子學報，2005， 33 （4）：647-650. （Bi Yingwei，Qiu Tianshuang.An adaptive image segmentation method based on a simplified PCNN［J］. Acta Electronica Sinica ，2005， 33 （4）：647-650.）

［8］ 杜小燕，鐘俊.基于改進型UL-PCNN的絕緣子圖像分割［J］.激光與光電子學進展，2019， 56 （15）：81-86. （Du Xiaoyan，Zhong Jun.Insulator image segmentation based on improved unit-linking pulse-coupled neural network［J］. Laser amp; Optoelectronics Progress， 2019， 56 （15）：81-86.）

［9］ Lian Jing，Yang Zhen，Sun Wenhao， et al. An image segmentation method of a modified SPCNN based on human visual system in medical images［J］. Neurocomputing ，2019， 333 ：292-306.

［10］ 周東國，高潮，郭永彩.一種參數自適應的簡化PCNN圖像分割方法［J］.自動化學報，2014， 40 （6）：1191-1197. （Zhou Dongguo，Gao Chao，Guo Yongcai.Adaptive simplified PCNN parameter setting for image segmentation［J］. Acta Automatica Sinica， 2014， 40 （6）：1191-1197.）

［11］ 賀付亮，郭永彩，高潮.復雜環境下用于人體目標紅外圖像分割的改進PCNN方法［J］.光學學報，2017， 37 （2）：175-184. （He Fuliang，Guo Yongcai，Gao Chao.Improved PCNN method for human target infrared image segmentation under complex environments［J］. Acta Optica Sinica ，2017， 37 （2）：175-184.）

［12］ Panigrahy C，Seal A，Mahato K N.MRI and SPECT image fusion using a weighted parameter adaptive dual channel PCNN［J］. IEEE Signal Processing Letters ，2020， 27 ：690-694.

［13］ "郝建新，王力.基于改進脈沖耦合神經網絡的電路板紅外圖像分割［J］.激光與紅外，2020， 50 （11）：1410-1416. （Hao Jianxin，Wang Li.Infrared image segmentation of circuit board based on improved PCNN［J］. Laser amp; Infrared ，2020， 50 （11）：1410-1416.）

［14］ 張坤華，譚志恒，李斌.結合粒子群優化和綜合評價的脈沖耦合神經網絡圖像自動分割［J］.光學精密工程，2018， 26 （4）：962-970. （Zhang Kunhua，Tan Zhiheng，Lin Bin.Automated image segmentation based on pulse coupled neural network with partied swarm optimization and comprehensive evaluation［J］. Optics and Precision Engineering ，2018， 26 （4）：962-970.）

［15］ Bai Wenhao，Zhang Wenbin，Zhou Nianrong， et al. Transmission line voltage classes identification based on particle swarm optimization algorithm and PCNN［J］. Ferroelectrics， 2017， 521 （1）：6-17.

［16］ 張明，王生榮，郭小燕，等.基于混合蛙跳算法優化PCNN的馬鈴薯病害圖像分割［J］.植物保護學報，2018， 45 （2）：322-331. （Zhang Ming，Wang Shengrong，Guo Xiaoyan， et al. Image segmentation method for potato diseases based on pulse coupled neural network with shuffle frog leap algorithm［J］. Journal of Plant Protection ，2018， 45 （2）：322-331.）

［17］ 胡夢林，萬幼川，王明威，等.基于混沌杜鵑搜索算法的高光譜影像波段選擇［J］.微電子學與計算機，2018， 35 （4）：124-129. （Hu Menglin，Wan Youchuan，Wang Mingwei， et al. Band selection based on chaotic cuckoo search algorithm for hyperspectral image［J］. Microelectronic amp; Computer ，2018， 35 （4）：124-129.）

［18］ Sathish P，Elango N M.Exponential cuckoo search algorithm to radial basis neural network for automatic classification in MRI images［J］. Computer Method in Biomechanics amp; Biomedical Engineering：Imaging amp; Visualization ，2019， 7 （3）：273-285.

［19］ 李慶忠，趙峂，牛炯.低照度圖像自適應顏色校正與對比度增強算法［J］.計算機輔助設計與圖形學學報，2019， 31 （12）：2121-2128. （Li Qingzhong，Zhao Tong，Niu Jiong.Adaptive color correction and contrast enhancement algorithm for low illumination images［J］. Journal of Computer-Aided Design amp; Computer Graphics ，2019， 31 （12）：2121-2128.）

［20］ 郭云云，高保祿，趙子潤，等.基于改進K-means的彩色圖像分割算法［J］.計算機工程與設計，2020， 41 （10）：2849-2854. （Guo Yunyun，Gao Baolu，Zhao Zirun， et al. Color image segmentation algorithm based on improved K-means［J］. Computer Engineering and Design ，2020， 41 （10）：2849-2854.）

［21］ 王艷，沈曉宇，丁文勝，等.基于PCNN和遺傳算法相結合的新型混凝土橋梁裂縫檢測方法［J］.計算機應用研究，2017， 34 （10）：3197-3200. （Wang Yan，Shen Xiaoyu，Ding Wensheng， et al .New crack detection method of concrete bridge based on PCNN and genetic algorithm［J］. Application Research of Computers ，2017， 34 （10）：3197-3200.）

［22］ 楊云鑠，桑慶兵.無須學習的無參考彩色噪聲圖像質量評價方法［J］.計算機科學，2020， 47 （10）：161-168. （Yang Yunshuo，Sang Qingbing.No-reference color noise images quality assessment without learning［J］. Computer Science ，2020， 47 （10）：161-168.）

［23］ 蔡婷婷.基于計算智能和數學形態學的肺部CT圖像分割方法研究［D］.贛州：江西理工大學，2015. （Cai Tingting.Research on lung CT image segmentation based on computational intelligence and mathematical morphology［D］.Ganzhou：Jiangxi University of Science and Technology，20151.）

［24］ Baruk c ˇ i c ＇ "I.，Zhu Zhenkun，Sun Yuan.A minimum cross-entropy multi-thresholds segmentation algorithm based on improved WOA［J］. MATEC Web of Conferences ，2021， 336 ：07003.