[发明专利]一种新图像分割算法

说明书

技术领域

    本发明属于图像处理技术领域，具体涉及一种图像分割新算法。 

背景技术

PCNN（脉冲耦合神经网络）是一种不同于传统神经网络的新型神经网络，它有着严格的生物学背景，被广泛的应用于图像分割、图像融合、图像增强等领域，并显示出在图像处理领域强大的优越性。许多学者已经运用PCNN及各类改进模型对图像分割进行了大量的研究，不足之处在于，诸类PCNN算法都是在特定的参数条件下进行图像分割处理的，如选取内部偏置 =0.5，阈值初始值为等。 

发明内容

本发明针对现有问题提出了参数自适应PCNN算法对图像进行分割，还提出了另类判定准则——最大相关系数判定，对分割效果进行评价，为了克服现有技术中的不足，本发明是通过以下方式实现的： 

本发明是在原有PCNN基础上提出一种新的参数自适应PCNN模型，该模型中的各种参数均由像素点本身决定，而不受人为的外界干涉，并且提出另一类分割判定准则——最大相关系数判定准则。     

新的参数自适应PCNN模型基本结构与原PCNN模型相同，改进后的PCNN模型由下列式子描述： 

                               （1） 

将所有像素点按从大到小的顺序排列成一个有序序列，这个序列定义为阈值T，即阈值由像素点决定，是图像的灰度值，M为所有不同灰度值的个数。

  

 为了在迭代过程中每次迭代的偏置都是自适应的，内部偏置定义为相邻阈值的均值；

利用另一类分割判定准则——最大相关系数判定准则实现该算法的具体步骤如下：

第一步：初始化，将像素点排序后得到阈值序列，再由相邻阈值的均值求出相应的偏置序列，

第二步：,  ， ，；

第三步：并到第四步， ，并到第五步，否则返回第二步；

第四步： ，，到第五步，否则， ，返回第二步；

第五步：将分割后的图像背景和目标看做两个随机变量，利用最大相关系数判定准则进行判定；

第六步：所有分割图像均被讨论，迭代结束，否则，返回步骤五。

附图说明

图1是自适应PCNN模型。 

图2是利用最大相关系数判定准则实现该算法的流程图。 

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述： 

参照图1，脉冲耦合神经网络是由若干个神经元互联而构成的反馈型网络，每一个神经元都由接收域、调制域、脉冲产生域三部分组成，设置一个PCNN网络，每一个像素点与一个PCNN神经元相对应，神经元是8临域的，先确定神经元的阈值T和偏置β。

对于T₁，首先得到，神经元开始阶段自然点火，即在外界输入像素的触发下点火，由于阈值 （），所以只有少量神经元被触发，将这些点火信息记录在临时点火矩阵Bin中，接着，已经点火的神经元i由于L通道的反馈链接和外界输入触发与之相邻近的神经元j，然后将这次迭代过程中点火的信息和原Bin中对应相加后仍记为Bin， 

当神经元不再点火时，对于阈值T₁的迭代结束，将临时点火矩阵Bin中的点火信息记录到Figure(1),同理，当所有的神经元均点火时，迭代结束。

参照图2，利用另一类分割判定准则——最大相关系数判定准则实现该算法的具体步骤如下： 

第一步：初始化，将像素点排序后得到阈值序列，再由相邻阈值的均值求出相应的偏置序列，

 

第二步：,  ， ，；

      第三步：并到第四步， ，并到第五步，否则返回第二步；

第四步： ，，到第五步，否则， ，返回第二步；

第五步：将分割后的图像背景和目标看做两个随机变量，利用最大相关系数判定准则进行判定；

第六步：所有分割图像均被讨论，迭代结束，否则，返回步骤五。