基于脉冲耦合神经网络和图像熵的各向异性扩散模型研究?

摘要：

在图像去噪过程中，大部分基于偏微分方程的各向异性扩散模型均使用梯度信息检测边缘，当边缘部分被噪声严重污染时，这些方法不能有效检测出这些边缘，因而无法保留边缘特征。为了较完整的保留图像的区域信息，用脉冲耦合神经网络(PCNN)能使具有相似输入的神经元同时产生脉冲的性质对噪声图像做处理，得到图像熵序列，并将图像熵序列作为边缘检测算子引入到扩散方程中，不仅能克服仅用梯度作为边缘检测算子易受噪声影响的弊端，而且能较完整地保留图像的区域信息。然后，用最小交叉熵准则搜索使去噪前后图像信息量差异最小的阈值，设计最佳阈值控制扩散强度，建立基于脉冲耦合神经网络与图像熵改进的各向异性扩散模型(PCNN-IEAD)。分析与仿真结果表明，该模型与经典模型相比，保留了更多的图像信息，能够兼顾去除图像的噪声和保护图像的边缘纹理等细节信息，较完整的保留了图像的区域信息，性能指标同样也证实了新模型的优越性。另外，该模型的运行时间较经典模型的短，因此，该模型是一个理想的模型。

关键词：图像去噪、脉冲耦合神经网络、图像熵、最小交叉熵

分类号：TP3;TN9

资助基金：国家自然科学基金11202106,61201444;教育部高等学校博士学科点专项科研基金20123228120005;江苏省“信息与通信工程”优势学科建设项目、江苏省气象探测与信息处理重点实验室开放课题KDXS1204, KDXS1403;江苏省青蓝工程和江苏省高校自然科学研究项目批准号:13KJB170016资助的课题.@@@@* Project supported by the National Natural Science Foundation of ChinaGrant .11202106,61201444;the Spe-cialized Research Fund for the Doctoral Program of Higher Education of ChinaGrant 20123228120005;the Jiangsu Information and Communication Engineering Preponderant Discipline Platform, China, the Jiangsu Key Laboratory of Me-teorological Observation and Information ProcessingGrant . KDXS1204, KDXS1403;the Jiangsu Qing Lan Project, and the Natural Sciences Fundation from the Universities of Jiangsu Province of ChinaGrant 13KJB170016

在线出版日期：2015-11-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共1页

页码：194204-1-194204-11