基于小波变换的脉冲耦合神经网络预测模型及其应用

被称为第三代人工神经网络的脉冲耦合神经网络(PCNN)模型,以其耦合机制、脉冲输出两大基本特性广泛应用于图像处理等领域。文章在两大基本特性的基础上对PCNN进行了改进:增加了绝对误差控制公式;连接强度以相关系数来控制,调整阈值设置为最小误差;网络的运行机制与以往的PCNN原理有所不同;将ATrous小波变换与PCNN模型相结合,形成了组合预测模型。将改进后的组合模型用于年降雨量的预测中,以求检验模型的可行性。预测结果表明,基于小波变换的PCNN组合模型用在年降雨量预测中是可行的,并取得良好效果。为进一步深化PCNN的理论、拓宽PCNN的应用领域、解决水文水资源中的预测问题提供了新的思路和方法。     

金属图象分割的研究

结合金属图象的特点,利用传统阚值分割技术和基于最大熵原则的图象分割技术对金属图象分割进行了分析;并根据金属图象分析要求,提出了先二值化金属图象再进行边缘提取的方法.对比实验结果表明,基于最大熵原则的图象分割技术可以获得较好的分割效果,所提出的方法能够获得连续闭合的晶粒边缘,为下一步的金属图象分析提供了可靠的依据.     

地形纹理分割技术在雷达图像仿真中的应用

文章阐述了将图像分割技术应用于雷达地形纹理分割中,用基于 FCM 图像分割方法对可见光纹理进行区域自动识别,形成互不相交的纹理区域,并借助建立的雷达材质库对区域材质进行指定,有效解决了海量地形纹理数据处理的难题,并提高了处理的准确性.     

自适应K-means图像分割方法

本文提出了一种自适应K-means图像分割方法,该方法通过用Otsu方法来初步选取阈值作为初始K-means聚类中心,然后经过K-means聚类方法对图像进行分割,最后根据K-means获得的聚类中心与Otsu所确定的阈值进行平均计算,作为图像分割的阈值.实验结果表明:该方法自动快速形成的分割阈值较为合理,对图像能达到更好的分割效果,可以进一步提高后续图像匹配与定位的准确性.     

基于NSCT与PCNN的图像融合

针对非下采样Contourlet变换(NSCT)变换的平移不变性、多尺度性和多方向等特点,结合脉冲耦合神经网络(PCNN)的全局连接性和神经元的脉冲同步性,提出基于NSCT变换区域特征与脉冲耦合神经网络相结合的图像融合方法。首先对待融合图像进行多尺度、多方向的分解,低频系数采用区域能量融合规则,高频系数作为脉冲耦合神经网络的输入,最后对融合后的系数经过NSCT逆变换得到融合图像。实验结果表明,融合结果在主观和客观评价上均优于其他对比方法。     

飞机发动机损伤图像的分割处理

在形态学边缘检测算子的基础上,综合应用了形态学中的腐蚀和膨胀,提出了一种改进的多尺度形态边缘检测算法,得到修正的边缘检测算子,减轻了图像边缘检测的模糊性,并有效降低了噪声对边缘检测的影响。通过实验得到噪声存在条件下较为理想的图像,验证了该算法的可行性和有效性。     

基于神经网络的CT图像重建方法研究

旅客行李隐藏爆炸物CT检测是机场安检的重要部分,图像重建是CT检测技术的重要环节,但实际中往往得不到完全的投影数据。针对不完全投影数据或数据量较少情况的重建问题,提出将神经网络算法应用于图像重建,并利用完全投影条件下FBP算法的重建结果作为网络的目标输出进行权值学习,从而降低网络结构和训练的复杂性。对该算法进行计算机模拟仿真试验,试验结果表明,该算法能有效地完成不完全投影数据的图像重建,且重建图像质量较高。     

基于卷积稀疏表示的图像融合方法

图像融合是图像处理领域中比较重要的一门技术,传统的图像融合方法会降低图像融合质量。针对稀疏表示在图像融合中存在一定的缺陷,提出了一种基于卷积稀疏表示的图像融合方法。首先,对高频子带系数进行合理有效处理,利用相似度分析和视觉显著性进行融合。然后,将低频子带系数整体融合改进为使用Butworth低通滤波对低频子带进行分解,得到低频近似子带和强边缘子带。最后,再用改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对强边缘子带进行融合。实验结果表明,与其它传统的图像融合方法相比,信息熵(Information Entropy,IE)提高了将近3%,标准差(Standard Deviation,SD)提高了将近9%,空间频率(Space Frequency,SF)提升了将近30%,互信息(Mutual Information,MI)提升了将近25%。同时,时间效率也有了一定程度地提升。     

超燃冲压发动机燃烧流场纹影图像无监督分割方法

超燃冲压发动机燃烧室流场纹影图像常存在大量噪声信号,如何高效、准确提取燃烧流场图像的主要波系结构成为当前亟需探索的问题。以超燃冲压发动机燃烧室内冷流到氢燃料点火阶段流场为研究对象,基于深度神经网络方法,发展一种燃烧室内流场的关键波系结构快速识别方法。首先,采用基于图论的超像素分割方法对纹影图像进行聚类分割,为语义信息明显相同区域分配伪标签;其次,设计了一种全卷积特征提取神经网络,并使用残差结构对各个通道进行加权,提取纹影图像高级语义特征;最后,使用交叉熵目标函数优化网络模型,并通过阈值滤波操作去除噪声像素点,提升语义分割效果。结果表明：与K-means及自适应高斯阈值方法相比,本文提出方法在准确率、召回率、F1分数和交并比指标性能明显是最优的,能够准确完成燃烧流场纹影图像语义分割任务,可以更加清晰地反应流场内的主要波系和剪切层结构     

基于边缘区域增长法的飞机图像目标分割研究

对边缘区域增长算法进行了理论分析,介绍了用边缘区域增长法对飞机图像进行目标分割的主要步骤,并将该算法对飞机图像进行目标分割的效果与Otsu算法进行了对比。结果表明,该算法所分割的图像目标边缘和实际目标边缘一致性较好,边界精确、清晰。     

基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法

为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。     

基于形态学运算的星图像分割

在获取星图像的过程中,由于某些因素的影响,获得的星图像存在噪声和划痕,而且星图像的背景经常是不均匀的,为星图像的分割造成了极大的困难,甚至使得自动阈值分割无法实现或效果较差。膨胀和腐蚀是形态学的两个基本运算,实验证明,通过组合膨胀和腐蚀,可以获取更为复杂的形态学运算。用形态学运算对星图像进行处理,补偿不均匀的星图像背景,然后进行星图像的自动阈值分割可以得到很好的分割效果。     

基于加权模糊C均值聚类的图像分割算法

模糊C均值(FCM)算法用于灰度图像分割是一种非监督模糊聚类后再标定的过程,适合灰度图像中存在着模糊和不确定性的特点。但是这种算法存在着本质上的缺陷,就是仅利用了图像的灰度信息,而没有考虑像素的空间信息,使得其对于实际的含有噪声的图像分割效果不理想。因此,提出了一种新的加权模糊C均值聚类算法,实践证明,该方法可以有效地、实时地把目标从背景中分割出来,并具有较强的鲁棒性。     

NSCT变换域PCNN彩色图像增强算法

为了改善由于光照不均对真彩色图像的影响,根据人类对颜色的感知特性,利用YCbCr彩色模型空间,提出了一种基于非抽样Contourlet变换（ NSCT）的PCNN模型的图像增强算法。首先,将图像从RGB彩色空间转换到YCbCr彩色空间;然后对亮度分量进行NSCT分解,得到低频子带系数和高频方向子带系数,对低频子带,利用PC－NN增强,对高频子带采用非线性变换进行增强;最后,使用NSCT逆变换重构图像的亮度分量,并将图像从YCbCr色彩空间模型还原到RGB空间得到增强后的图像。实验结果表明,算法增强效果明显优于同态滤波、空域PCNN及NSCT域的PCNN算法,不仅增加了彩色图像的明亮度,而且图像保真性好,纹理更清晰。     

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

一种Mumford-Shah模型的图像分割改进算法

提出了一种新的基于Mumford-Shah模型的图像分割改进算法,并通过对飞机图像轮廓分割进行效果验证。首先,内部惩罚项的设置,彻底消除了计算量巨大的更新水平集函数的步骤。第二,可使用较大的时间步长,获得较快的曲线演化速度。第三,水平集函数可初始化为更容易构造和使用的一般函数,初始轮廓线可以构造为任意形状。最后,选择因子的设置既继承了克服轮廓线“冒顶”的性能,又保证了曲线未达轮廓边界时的演化速度。     

基于脉冲暂态混沌神经网络的可靠度分析方法

工程中计算结构可靠度系数β可以看做一个优化问题。考虑极限状态函数的非线性程度很高且存在非凸失效域时,传统的求解非线性优化方法,如序列二次规划（SQP）法、罚函数法和梯度投影法等都有其使用范围和局限性,无法解决局部极小解问题。如何避免局部极小解问题并且兼顾计算精度和效率目前仍很难处理。提出一种新的可靠度计算方法：将求解转化为带有约束条件的非线性规划问题,利用罚函数法转化成无约束条件的非线性规划问题,引入脉冲暂态混沌神经网络（PTCNN）模型快速有效地进行全局寻优,从而解决具有局部极小解的约束非线性规划问题。最后采用不同类型的非线性极限状态函数算例进行算法验证,验证该方法在处理高维、高非线性、不可微、非凸失效域问题时具有可行性、高效性。