基于脉冲耦合神经网络的图像增强算法研究

摘要

图像作为传递信息和媒体的重要手段之一，其中包含的信息是十分重要的。数字图像处理技术发展迅速，其应用越来越广泛，已渗透到许多领域，如遥感、生物医学、通信、工业、航空航天、军事、安全保卫等，带来了巨大的经济效益和社会效益。 图像增强的目的是使处理后的图像对于某种特定的应用比原始图像更适合人的视觉特性或机器的识别系统。图像增强算法应用是有针对性的，并不存在通用的增强算法。增强的结果的评价包括人的主观感觉评价，以及基于评价参数的客观评价。 本文首先介绍了图像增强的基本原理和算法，指出了各自最佳的应用场景，分别对中值滤波和直方图均衡化进行了实验仿真；其次，研究了人工神经网络（ANN），简要分析了几种常用神经网络的原理以及在图像增强中的应用；然后，针对第三代神经网络脉冲耦合神经网络（PCNN）的原理和模型，研究了基于传统脉冲耦合神经网络模型的图像增强的算法：最后，在传统PCNN模型基础之上，设计出一种改进的PCNN模型，该简化模型去掉了输入域和连接域的漏电积分器，减少了模型参数，在一定程度上保持了原有模型的几个重要特性。利用这个模型对图像增强算法进行了研究，并对这两种算法进行了实验仿真。对比实验结果表明，用PCNN能有效地去除噪声，图像的峰值信噪比（PSNR）得到明显的提高；与中值滤波做比较，不仅能增加PSNR增量，并且能很好地保持图像细节，提高了图像质量，取得了较好的处理结果。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 研究背景

1.2 数字图像处理概述

1.2.1数字图像处理技术的特点

1.2.2数字图像处理的主要方法

1.2.3数字图像处理的应用

1.3 本文内容与章节安排

第二章 图像增强技术

2.1 灰度变换

2.1.1灰度线性变换

2.1.2分段线性灰度变换

2.1.3非线性灰度变换

2.2直方图修正

2.2.1灰度直方图

2.2.2直方图均衡化及实验结果

2.2.3直方图匹配(规定化)

2.3 图像平滑

2.3.1邻域平均法

2.3.2频域中低通滤波和带阻滤波

2.3.3中值滤波及其实验结果

2.4 图像锐化

2.4.1梯度模算子

2.4.2拉氏算子

2.4.3 Wallis算子

2.4.4高通滤波

2.5 同态滤波

2.6彩色增强

2.6.1伪彩色增强

2.6.2假彩色增强

2.7本章小节

第三章 神经网络在图像增强中的应用

3.1 神经网络概述

3.1.1神经网络发展史

3.1.2神经网络的特点

3.1.3神经网络的互连模型

3.1.4神经网络的学习方式

3.1.5神经网络的学习规则

3.1.6神经网络的应用

3.2 Hopfield神经网络

3.3 BP网络

3.3.1 BP网络的学习过程和步骤

3.3.2实验仿真

3.4 径向基函数网络(RBF神经网络)

3.4.1 RBF神经网络的结构

3.4.2实验仿真

3.5细胞神经网络

3.6模糊神经网络

3.7基于神经网络的图像增强

3.8本章小结

第四章 基于脉冲耦合神经网络的图像增强算法

4.1 PCNN概述

4.2 PCNN的模型

4.2.1 Eckhorn神经元模型

4.2.2脉冲耦合神经网络模型

4.3 基于PCNN的图像增强

4.3.1算法描述

4.3.2实验仿真结果及分析

4.4 基于改进的PCNN模型的图像增强

4.4.1改进的PCNN模型

4.4.2算法描述实验仿真结果及分析

4.5本章小结

第五章 全文总结

5.1 总结

5.2 展望

参考文献

致谢

研究生期间发表的论文