【图像分割】基于pcnn脉冲神经网络结合区域生长算法实现图像分割附matlab代码
【图像分割】基于pcnn脉冲神经网络结合区域生长算法实现图像分割附matlab代码
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。
1 简介
1950s数字图像处理产生，从此学术界对它的研究连绵不绝。十多年之后，数字图像的处理被独立出来成了一门课程。图像分割技术是处理图像的一种基础技术，在图像处理领域中占了重要地位，且在图像工程、模式识别、计算机视觉等方面起着重要作用。本文正是以图像分割为研究课题，以如何能更好地图像进行省时而有效的分割为研究目的，提出了基于最大熵的脉冲耦合神经网络（PulseCoupled Neural Networks，简称PCNN）的方法。众所周知，有效的分割方法有利于理解图像的本质和后续的研究工作等，因此本文分割方法的研究是具有一定意义的。传统的处理图像的分割问题的方法有：基于灰度级算术均值法、基于熵与直方图法、基于最大类间方差法、基于边缘的检测分割法，基于阈值的分割法，基于边界提取的分割法，基于区域的分割法，基于特定理论的分割法。同时，当然少不了产生的一些相关模型，如健壮尺度区域模型，二维经典C-V模型，尺度区域拟合模型，三维C-V模型，健壮统计三维C-V模型，几何主动轮廓模型等。本文将出基于脉冲耦合神经网络的方法。此方法对上述分割数字图像时的不足具有一定的弥补作用。用PCNN方法分割数字图像的模型中，以神经元为单元，构成二维的一层的神经元列。PCNN模型中神经元的数目一致于像素数目，每个神经元一一对应于每个像素。根据PCNN的脉冲传播特性而引起的同步脉冲现象来实现图像分割。
2 部分代码
function
J = My_RegionGrowing(I, init_pos, reg_maxdist)
[row,
col] = size(I); % 输入图像的维数
J
=
zeros(row, col); % 输出
x0
=
init_pos(1); % 初始点
y0
=
init_pos(2);
reg_mean
=
I(x0, y0); % 生长起始点灰度值
J(x0,
y0) = 1; % 生长起始点设置为白色
reg_sum
=
reg_mean; % 符合生长条件的灰度值总和
reg_num
=
1; % 符合生长条件的点的个数
count
=
1; % 每次判断周围八个点中符合条件的数目
reg_choose
=
zeros(row*col, 2); % 记录已选择点的坐标
reg_choose(reg_num,
:
) = init_pos;
num
=
1; % 第一个点
while
count > 0
s_temp
=
0; % 周围八个点中符合条件的点的灰度值总和
count
=
0;
for
k = 1 : num % 对新增的每个点遍历，避免重复
i
=
reg_choose(reg_num - num + k, 1);
j
=
reg_choose(reg_num - num +k, 2);
if
J(i, j) == 1 && i > 1 && i < row && j > 1 && j < col % 已确定且不是边界上的点
%
八邻域
for
u = -1 : 1
for
v = -1 : 1
%
未处理且满足生长条件的点
if
J(i + u, j + v) == 0 && abs(I(i + u, j + v) - reg_mean) <= reg_maxdist
J(i
+ u, j + v) = 1; % 对应点设置为白色
count
=
count + 1;
reg_choose(reg_num
+ count, :) = [i + u, j + v];
s_temp
=
s_temp + I(i + u, j + v); % 灰度值存入s_temp中
end
end
end
end
end
num
=
count; % 新增的点
reg_num
=
reg_num + count; % 区域内总点数
reg_sum
=
reg_sum + s_temp; % 区域内总灰度值
reg_mean
=
reg_sum / reg_num; % 区域灰度平均值
end
3 仿真结果
4 参考文献
[1]黄国峰. 基于脉冲耦合神经网络的图像分割算法研究[D]. 西安电子科技大学.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
5 代码下载