一种结合置信传播思想和PCNN的图像分割方法及装置

摘要

本发明提供一种结合置信传播思想和PCNN的图像分割方法及装置，包括：S1，使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；S2，获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；S3，使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。本发明通过将PCNN模型每次迭代的分割结果进行合并，使用Otsu算法对合并结果进行全局估计，将最优的合并结果作为目标图像的最终分割结果，在保证局部较优的情况下自动获取全局较优的分割结果。

说明书

技术领域

本发明涉及图像处理领域，更具体地，涉及一种结合置信传播思想和PCNN的图像分割方法及装置。

背景技术

图像分割是指给图像中的每个像素分配一个标签，以使相同标签的像素具有相似特征的过程。根据分割结果可以对场景中的目标和感兴趣区域进行识别，在机器视觉、图像理解和基于内容的检索中具有重要作用。

PCNN(Pulse Coupled Neural Nemworks，脉冲耦合神经网络)是一种第三代神经网络，是依据猫的大脑视觉皮层上的同步脉冲发放现象提出的。它是一个二维的平面晶格结构，与图像中的像素一一对应。像素所对应的脉冲耦合神经元的动态发放模式同时可以描述像素的自身属性(灰度或颜色)和其在图像中的空间结构属性，神经元间通过动态脉冲耦合实现信息的传播和交互。在图像分割中，具有相似特征的相邻像素对应的神经元在同一时刻点火，这些神经元具有相同的标记。

目前的图像分割直接将图像灰度作为PCNN的输入，实现同步震荡的PCNN在促进局部同步震荡与全局同步震荡的性能差异很大，这主要是因为PCNN中促进同步震荡的自动波易终止于在图像局部区域或跨越至背景区域。此外，PCNN中的神经元之间的消息传播主要聚集在局部区域。虽然Fasm Linking(快速连接)机制在一定程度上能够促进同步震荡，但主要还是促进局部同步震荡，从而使得基于PCNN的图像分割得到的结果往往是局部较优解。这一点可从利用传统PCNN进行灰度图像分割中看出。

例如，图1a是图像分割中常用的经典测试图像，lena图像。图1b、图1c、图1d、图1e和图1f是利用传统PCNN得到的多次迭代输出结果。可以看出，任何一次迭代都只反映了图像的一部分信息，并且这种局部的结果也因为缺乏神经元间有效的信息传播而不能达到局部的最优。

综上所述，现有的基于PCNN的图像分割方法不能在保证局部较优分割结果的情况下实现全局的分割结果较优。因此，如何设计出有效的消息传播机制，让PCNN每次的迭代输出能够尽量达到局部最优，同时又能够利用多层的迭代输出信息得到全局最优的分割结果，从而实现更好的分割效果成为亟待解决的问题。

发明内容

为克服上述现有的图像融合技术数据量大、处理速度慢、融合效果差的问题或者至少部分地解决上述问题，本发明提供了一种结合置信传播思想和PCNN的图像分割方法及装置。

根据本发明的第一方面，提供一种结合置信传播思想和PCNN的图像分割方法，包括：

S1，使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；

S2，获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；

S3，使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

具体地，在S1之前还包括：

对目标图像进行正则化和平滑处理中的一种或多种。

具体地，S1具体包括：

将PCNN模型每次迭代中点火的神经元作为快速连接模型的输入，根据所述快速连接模型的输出获取每次迭代的分割结果。

具体地，所述PCNN模型中各神经元的输出Y_ij为：

其中，(i，j)为各所述神经元的坐标，n为所述PCNN模型的迭代次数，U为各所述神经元的内部状态，T为各所述神经元的阈值。

具体地，所述步骤S3具体包括：

S31，对于所述正整数集合中的每个整数，分别统计经过前整数次迭代后，所述PCNN模型中点火神经元和未点火神经元对应的目标图像像素的平均值；

S32，分别统计经过前整数次迭代后，所述点火神经元和未点火神经元的数目占所述PCNN模型中所有神经元的比值；

S33，根据所述点火神经和未点火神经元对应的目标图像像素的平均值，以及所述点火神经元和未点火神经元的数目占所述PCNN模型中所有神经元的比值，使用Otsu算法对每次的合并结果进行度量；

S34，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

具体地，所述步骤S33中使用Otsu算法对每次的合并结果进行度量的公式如下：

V＝(μ_p(m)+μ_q(m))²*ω_p(m)*ω_q(m)；

其中，V为度量值，m为所述正整数集合中的任一整数，μ_p为所述点火神经神经元对应的目标图像像素的平均值，μ_q为所述未点火神经神经元对应的目标图像像素的平均值，ω_p为所述点火神经元的数目占所述PCNN模型中所有神经元的比值，ω_q为所述未点火神经元的数目占所述PCNN模型中所有神经元的比值。

根据本发明的第二方面，提供一种结合置信传播思想和PCNN的图像分割装置，包括：

获取单元，用于使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；

合并单元，用于获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；

度量单元，用于使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

具体地，所述获取单元具体用于：

将PCNN模型每次迭代中点火的神经元作为快速连接模型的输入，根据所述快速连接模型的输出获取每次迭代的所述分割结果。

根据本发明的第三方面，提供一种结合置信传播思想和PCNN的图像分割设备，包括：

至少一个处理器、至少一个存储器和总线；其中，

所述处理器和存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。

根据本发明的第四方面，提供一种非暂态计算机可读存储介质，用于存储如前所述方法的计算机程序。

本发明提供一种结合置信传播思想和PCNN的图像分割方法及装置，该方法通过将PCNN模型每次迭代的分割结果进行合并，使用Otsu算法对合并的结果进行全局估计，将最优的合并结果作为目标图像的最终分割结果，在保证局部较优的情况下自动获取全局较优的分割结果，近似置信传播思想中的全局最优求解思路。

附图说明

图1为现有技术中利用传统PCNN实现的灰度图像分割效果示意图；

其中，图1a为原图像，图1b至图1f为多次迭代输出的分割结果；

图2为本发明实施例提供的结合置信传播思想和PCNN的图像分割方法中标准PCNN模型神经元结构示意图；

图3为本发明实施例提供的结合置信传播思想和PCNN的图像分割方法流程示意图；

图4为本发明实施例提供的结合置信传播思想和PCNN的图像分割方法中简单PCNN模型神经元结构示意图；

图5为本发明中实施例提供的结合置信传播思想和PCNN的图像分割方法中图像分割效果图；

其中，图5a、图5b和图5c为原图，图5d为图5a的分割效果，图5e为图5b的分割效果，图5f为图5c的分割效果；

图6为本发明实施例提供的结合置信传播思想和PCNN的图像分割装置结构示意图；

图7为本发明实施例提供的结合置信传播思想和PCNN的图像分割设备结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

在介绍本发明之前，先介绍PCNN模型。图2为脉冲耦合神经网络模型中的神经元结构图。如图2所示，每个所述神经元通过馈入部分和连接部分接收来自相邻神经元的输入，所述神经元通过突触上的权重M和W与所述相邻神经元进行连接。所述馈入部分和所述连接部分的值由以下公式决定：

其中，F_ij为第ij各神经元的馈入部分，L_ij是对应的连接部分。Y_kl是第n-1次迭代中所述相邻神经元的输出。F_ij和L_ij分别保留了通过指数衰减因子和对之前状态的更改，因此衰减时间常数α_F和α_L为负数。只有馈入部分接收输入激励S。常数V_F是正则化常数。δ为两次相邻迭代之间的时间间隔，一般取值为1。在数字图像处理中，所述F_ij和所述L_ij以二阶的方式相结合形成内部状态U_ij，即：

U_ij[n]＝F_ij[n](1+βL_ij[n])；

其中，β为所述F_ij和所述L_ij的连接强度。所述内部状态U_ij与动态阈值T_ij进行比较，生成第ij各神经元的输出Y_ij，即：

其中，阈值T是动态的。当神经元点火时，即U_ij[n]＞T_ij[n-1]时，阈值通过增加一个较大的常量V_T大幅增加。这样可以阻止该神经元在一段时间内被点火，直到所述阈值通过衰减时间常数α_T再次衰减到小于所述内部状态。通过迭代使用上述公式可以得到一系列二进制图像。

图3为本发明实施例提供的结合置信传播思想和PCNN的图像分割方法流程示意图，如图3所示，该方法包括：S1，使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；S2，获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；S3，使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

具体地，为了利用PCNN神经元间局部信息的有效传播促进全局信息的有效传播，使用BP(Belief Propagation，置信传播)中的全局最优求解思路。置信传播是一种在图模型上进行推断的消息传递算法。其主要思想是：对于马尔科夫随机场中的每一个节点，通过消息传播，把该节点的概率分布状态传递给相邻的节点，从而影响相邻节点的概率分布状态，经过一定次数的迭代，每个节点的概率分布将收敛于一个稳态。而在所提出的改进的PCNN模型中，通过利用带有连续幅值与快速连接机制相结合的方式，让PCNN神经元间的信息得到了有效且充分的传播，指导神经元状态不再变化为止，这使得每次迭代输出可得到解决局部最优的分割结果，这和BP算法的思想一致。结合采用合并迭代输出，即局部分割结果合并的方式，并利用Otsu进行度量，实现全局最优分割结果的自动生成。

S1中，所述PCNN模型可以为PCNN标准模型，如图2所示，或PCNN的改进模型，如图4所示。本实施例不限于所述PCNN模型的种类。所述PCNN模型中的神经元与所述目标图像一一对应。所述PCNN模型在每次迭代中，将所述目标图像分为两类，一般用白色的像素点表示一类，用黑色的像素点表示另一类，其中白色的像素点为所述PCNN模型中点火的神经元对应的像素点，黑色的像素点为所述PCNN模型中未点火的神经元对应的像素点。每次迭代输出一种分割结果，所述分割结果为二值图像。

S2中，第一次迭代的分割结果中存在一类白色的像素点和另一类黑色的像素点，其中白色的像素点为所述PCNN模型第一次迭代中点火的神经元对应的像素点，黑色的像素点为所述PCNN模型第一次迭代中未点火的神经元对应的像素点。然后将第一次迭代的分割结果和第二次迭代的分割结果直接进行合并，获取前两次迭代的合并结果，合并的结果中白色的像素点会增加，黑色的像素点会减少。接着将第一次、第二次和第三次迭代的分割结果直接进行合并，获取前三次迭代的合并结果。依次类推，直到将所有迭代的分割结果进行合并。

S3中，Otsu算法也称最大类间差法或大津算法，由大津于1979年提出，被认为是图像分割中阈值选取的最佳算法，Otsu算法计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它按图像的灰度特性，将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的前景和背景的差别越大，当部分前景错分为背景或部分背景错分为前景时都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。使用Otsu算法对各合并结果进行度量，获取各合并结果的度量值。将所有迭代的分割结果进行合并获取的合并结果为所有像素点为白色，此时所述度量值为0。从所述度量值中选出最大的度量值，将所述最大的度量值对应的合并结果作为所述目标图像的最终分割结果，所述最终分割结果在各合并结果中是最优的。图5为各原图和各原图对应的最终分割结果。

本实施例通过将PCNN模型每次迭代的分割结果进行合并，使用Otsu算法对合并的结果进行全局估计，将最优的合并结果作为目标图像的最终分割结果，在保证局部较优的情况下自动获取全局较优的分割结果，近似置信传播思想中的全局最优求解思路。

在上述实施例的基础上，在S1之前还包括：对目标图像进行正则化和平滑处理中的一种或多种。

具体地，在使用所述PCNN模型对目标图像进行分割之前，对所述目标图像进行预处理，所述预处理包括正则化和平滑处理等。

在上述实施例的基础上，本实施例中S1具体包括：将PCNN模型每次迭代中点火的神经元作为快速连接模型的输入，根据所述快速连接模型的输出获取每次迭代的分割结果。

具体地，在PCNN模型的每次迭代中获取点火的神经元。使用所述快速连接模型根据每次迭代中点火的神经元继续捕获其他神经元以使其他神经元点火，直到不能再使其他神经元点火。当所述PCNN模型中的所有神经元都点火完毕后，即最低灰度的像素对应的神经元也点火后，完成所有迭代工作。对所述目标图像而言，迭代总次数一般为7-10次。将每次迭代中点火的神经元对应的像素分为一类，用白色像素点表示；将每次迭代中未点火的神经元对应的像素分为一类，用黑色像素点表示，从而获取每次迭代的分割结果。

本实施例中嵌入快速连接模型的PCNN模型的伪代码如下：

嵌入快速连接模型的另一种PCNN模型的伪代码如下：

本实施例中由于PCNN中促进同步震荡的自动波易终止，从而导致过分割，为了避免过分割，促进局部信息的有效传播，在PCNN模型中嵌入快速连接模型，从而得到局部更优的分割结果。

在上述各实施例的基础上，本实施例中所述PCNN模型中各神经元的输出Y_ij为：

其中，(i，j)为各所述神经元的坐标，n为所述PCNN模型的迭代次数，U为各所述神经元的内部状态，T为各所述神经元的阈值。

具体地，现有技术中在U_ij[n]＞T_ij[n-1]的情况下，Y_ij[n]＝1，而本实施例中Y_ij[n]＝1+U_ij[n]-T_ij[n-1]。本实施例中所述PCNN模型的神经元发放的脉冲为带幅值的连续脉冲，由于

因此，入部分和连接部分都受到上次输出脉冲的影响。对于发放脉冲幅值高的神经元，在捕获其他神经元时F和L会得到增强，由U_ij[n]＝F_ij[n](1+βL_ij[n])可知，内部状态的值更大，从而更容易捕获其他神经元，增强神经元间信息的交互，得到更优的分割结果。

在上述各实施例的基础上，本实施例中所述步骤S3具体包括：S31，对于所述正整数集合中的每个整数，分别统计经过前整数次迭代后，所述PCNN模型中点火神经元和未点火神经元对应的目标图像像素的平均值；S32，分别统计经过前整数次迭代后，所述点火神经元和未点火神经元的数目占所述PCNN模型中所有神经元的比值；S33，根据所述点火神经和未点火神经元对应的目标图像像素的平均值，以及所述点火神经元和未点火神经元的数目占所述PCNN模型中所有神经元的比值，使用Otsu算法对每次的合并结果进行度量；S34，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

具体地，m为所述正整数集合中的任一整数，前m次迭代的情况包括前一次迭代、前两次迭代、前三次迭代，…，和前N次迭代，所述N为所述PCNN模型的迭代总次数。对于每种前m次迭代的情况，分别统计在前整数次迭代中，所述PCNN模型中点火神经和未点火神经元对应的目标图像像素的平均值。对于所述目标图像中的每个像素对应的神经元，若在前m次迭代中该神经元只要有一次点火了，则说明该神经元为点火神经元，否则为未点火神经元。神经元的点火状态当神经元为点火神经元时，该神经元的点火状态O_ij为1，否则为0。

统计前m次迭代中点火神经元对应的像素的平均值，即：

统计前m次迭代中未点火神经元对应的像素的平均值，即：

统计前m次迭代中点火神经元占所述PCNN模型中所有神经元的比值，即：

统计前m次迭代中点火神经元占所述PCNN模型中所有神经元的比值，即：

其中，(i，j)为神经元的坐标，M和N对应为所述目标图像的高和宽。根据μ_p(m)、μ_q(m)、ω_p(m)和ω_q(m)使用Otsu算法对每次的合并结果进行度量，将最大度量值对应的所述合并结果作为所述目标图像的最终分割结果。

本实施例通过使用近似BP中全局最优求解的思路，对不同情况下的前m次迭代中的分割结果进行合并，使用Otsu算法作为分割度量标准对各合并结果进行全局估计，最后自动输出全局更优的分割结果。

在上述实施例的基础上，本实施例中所述步骤S33中使用Otsu算法对每次的合并结果进行度量的公式如下：

V＝(μ_p(m)+μ_q(m))²*ω_p(m)*ω_q(m)；

其中，V为度量值，m为所述正整数集合中的任一整数，μ_p为所述点火神经神经元对应的目标图像像素的平均值，μ_q为所述未点火神经神经元对应的目标图像像素的平均值，ω_p为所述点火神经元的数目占所述PCNN模型中所有神经元的比值，ω_q为所述未点火神经元的数目占所述PCNN模型中所有神经元的比值。

具体地，从各合并结果中获取时合并结果最优的迭代次数M＝argmax(V)，合并结果最优即度量值最大。然后将前M次迭代输出的分割结果合并后的图像作为目标图像的最终分割结果output，即

图6为本发明实施例提供的结合置信传播思想和PCNN的图像分割装置结构示意图，如图6所示，该装置包括获取单元1、合并单元2和度量单元3，其中：

所述获取单元1用于使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；所述合并单元2用于获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；所述度量单元3用于使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

具体地，为了利用PCNN神经元间局部信息的有效传播促进全局信息的有效传播，使用BP(Belief Propagation，置信传播)中的全局最优求解思路。置信传播是一种在图模型上进行推断的消息传递算法。其主要思想是：对于马尔科夫随机场中的每一个节点，通过消息传播，把该节点的概率分布状态传递给相邻的节点，从而影响相邻节点的概率分布状态，经过一定次数的迭代，每个节点的概率分布将收敛于一个稳态。而在所提出的改进的PCNN模型中，通过利用带有连续幅值与快速连接机制相结合的方式，让PCNN神经元间的信息得到了有效且充分的传播，指导神经元状态不再变化为止，这使得每次迭代输出可得到解决局部最优的分割结果，这和BP算法的思想一致。结合采用合并迭代输出，即局部分割结果合并的方式，并利用Otsu进行度量，实现全局最优分割结果的自动生成。

所述PCNN模型可以为PCNN标准模型或PCNN的改进模型，本实施例不限于所述PCNN模型的种类。所述PCNN模型中的神经元与所述目标图像一一对应。所述PCNN模型在每次迭代中，将所述目标图像分为两类，一般用白色的像素点表示一类，用黑色的像素点表示另一类，其中白色的像素点为所述PCNN模型中点火的神经元对应的像素点，黑色的像素点为所述PCNN模型中未点火的神经元对应的像素点。所述获取单元1使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果，每次迭代输出一种分割结果，所述分割结果为二值图像。

第一次迭代的分割结果中存在一类白色的像素点和另一类黑色的像素点，其中白色的像素点为所述PCNN模型第一次迭代中点火的神经元对应的像素点，黑色的像素点为所述PCNN模型第一次迭代中未点火的神经元对应的像素点。所述合并单元2将第一次迭代的分割结果和第二次迭代的分割结果直接进行合并，获取前两次迭代的合并结果，合并的结果中白色的像素点会增加，黑色的像素点会减少。接着将第一次、第二次和第三次迭代的分割结果直接进行合并，获取前三次迭代的合并结果。依次类推，直到将所有迭代的分割结果进行合并。

Otsu算法也称最大类间差法或大津算法，由大津于1979年提出，被认为是图像分割中阈值选取的最佳算法，Otsu算法计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它按图像的灰度特性，将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的前景和背景的差别越大，当部分前景错分为背景或部分背景错分为前景时都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。所述度量单元3使用Otsu算法对各合并结果进行度量，获取各合并结果的度量值。将所有迭代的分割结果进行合并获取的合并结果为所有像素点为白色，此时所述度量值为0。从所述度量值中选出最大的度量值，将所述最大的度量值对应的合并结果作为所述目标图像的最终分割结果，所述最终分割结果在各合并结果中是最优的。图5为各原图和各原图对应的最终分割结果。

本实施例通过将PCNN模型每次迭代的分割结果进行合并，使用Otsu算法对合并的结果进行全局估计，将最优的合并结果作为目标图像的最终分割结果，在保证局部较优的情况下自动获取全局较优的分割结果，近似BP思想中的全局最优求解思路。

在上述实施例的基础上，本实施例中所述获取单元具体用于：将PCNN模型每次迭代中点火的神经元作为快速连接模型的输入，根据所述快速连接模型的输出获取每次迭代的所述分割结果。

具体地，在PCNN模型的每次迭代中获取点火的神经元。所述获取使用所述快速连接模型根据每次迭代中点火的神经元继续捕获其他神经元以使其他神经元点火，直到不能再使其他神经元点火。当所述PCNN模型中的所有神经元都点火完毕后，即最低灰度的像素对应的神经元也点火后，完成所有迭代工作。对所述目标图像而言，迭代总次数一般为7-10次。将每次迭代中点火的神经元对应的像素分为一类，用白色像素点表示；将每次迭代中未点火的神经元对应的像素分为一类，用黑色像素点表示，从而获取每次迭代的分割结果。

本实施例中由于PCNN中促进同步震荡的自动波易终止，从而导致过分割，为了避免过分割，促进局部信息的有效传播，在PCNN模型中嵌入快速连接模型，从而得到局部更优的分割结果。

在上述实施例的基础上，本实施例还包括预处理单元，用于对目标图像进行正则化和平滑处理中的一种或多种。

在上述各实施例的基础上，本实施例中所述PCNN模型中各神经元的输出Y_ij为：

其中，(i，j)为各所述神经元的坐标，n为所述PCNN模型的迭代次数，U为各所述神经元的内部状态，T为各所述神经元的阈值。

在上述各实施例的基础上，本实施例中所述度量单元具体用于：对于所述正整数集合中的每个整数，分别统计经过前整数次迭代后，所述PCNN模型中点火神经元和未点火神经元对应的目标图像像素的平均值；分别统计经过前整数次迭代后，所述点火神经元和未点火神经元的数目占所述PCNN模型中所有神经元的比值；根据所述点火神经和未点火神经元对应的目标图像像素的平均值，以及所述点火神经元和未点火神经元的数目占所述PCNN模型中所有神经元的比值，使用Otsu算法对每次的合并结果进行度量；将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

在上述实施例的基础上，本实施例中所述度量单元使用Otsu算法对每次的合并结果进行度量的公式如下：

V＝(μ_p(m)+μ_q(m))²*ω_p(m)*ω_q(m)；

其中，V为度量值，m为所述正整数集合中的任一整数，μ_p为所述点火神经神经元对应的目标图像像素的平均值，μ_q为所述未点火神经神经元对应的目标图像像素的平均值，ω_p为所述点火神经元的数目占所述PCNN模型中所有神经元的比值，ω_q为所述未点火神经元的数目占所述PCNN模型中所有神经元的比值。

本实施例提供一种结合置信传播思想和PCNN的图像分割设备，图7为本发明实施例提供的结合置信传播思想和PCNN的图像分割设备整体结构示意图，该设备包括：至少一个处理器71、至少一个存储器72和总线73；其中，

所述处理器71和存储器72通过所述总线73完成相互间的通信；

所述存储器72存储有可被所述处理器71执行的程序指令，所述处理器调用所述程序指令能够执行上述各方法实施例所提供的方法，例如包括：S1，使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；S2，获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；S3，使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：S1，使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；S2，获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；S3，使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的结合置信传播思想和PCNN的图像分割设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。