搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

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

郭业才 周林锋

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

郭业才, 周林锋
PDF
导出引用
导出核心图
  • 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.
      通信作者: 郭业才, guo-yecai@163.com
    • 基金项目: 国家自然科学基金(批准号: 11202106, 61201444)、教育部高等学校博士学科点专项科研基金(批准号: 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(批准号: 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.
    [1]

    Zhang W, Li J J, Yang Y P 2014 Signal Process 103 6

    [2]

    Chumchob N 2013 IEEE Trans. Image Process 22 4551

    [3]

    Wu T T, Yang Y F, Pang Z F 2012 Appl. Numer. Math. 62 79

    [4]

    Wu J, Tang C 2011 IEEE Trans. Image Process 20 2428

    [5]

    Brito-Loeza C, Chen K 2010 IEEE Trans. Image Process 19 1518

    [6]

    Wang Z, Huang X, Li Y X, Song X N 2013 Chin. Phys. B 22 010504

    [7]

    Perona P, Malik J 1990 IEEE Trans. Pattern Anal. Mach. Intell. 12 629

    [8]

    Rudin L I, Osher S, Fatemi E 1992 Physica D 60 259

    [9]

    Cheng L Y, Tang C, Yan S 2011 Optics Communications 284 5549

    [10]

    Liu P, Fang H, Li G Q, Liu Z W 2012 IEEE Geosci. Remote Sens. 9 358

    [11]

    Niang O, Thioune A, Gueirea M C 2012 IEEE Trans. Image Process 21 3991

    [12]

    Bumsub H, Dongbo M, Kwanghoon So 2013 IEEE Trans. Image Process 22 1096

    [13]

    Zhou X C, Wang M L, Zhou L F, Wu Q 2015 Acta Phys. Sin. 64 024205(in Chinese) [周先春, 汪美玲, 周林锋, 吴琴 2015 物理学报 64 024205]

    [14]

    Zhou X C, Shi L F, Han X L, Mo J Q 2014 Chin. Phys. B 23 090204

    [15]

    Zhou X C, Shi L F, Mo J Q 2014 Chin. Phys. B 23 040202

    [16]

    Zhang Y H, Ding Y, Wang L H 2011 Procedia Engineering 15 2778

    [17]

    Li J C, Ma Z H, Peng Y X, Huang B 2013 Acta Phys. Sin. 62 099501(in Chinese) [李金才, 马自辉, 彭宇行, 黄斌 2013 物理学报 62 099501]

    [18]

    Zhang K K, Gao X B, Li X L 2012 IEEE Trans. Image Process 21 4544

    [19]

    Dabov K, Foi A, Katkovnik V, Egiazarian K 2007 IEEE Trans. Image Process 16 2080

    [20]

    Deledalle C A, Denis L, Tupin F 2009 IEEE Trans. Image Process 18 2661

    [21]

    Nikpour M, Hassanpour H 2010 IET Image Process 4 452

    [22]

    Kamilov, Bostan E, Unser M 2012 IEEE Signal Process Lett. 19 187

    [23]

    Johnson J L, Padgett M L 1999 IEEE Trans. Neural Netw. 10 480

    [24]

    Ranganath H S, Kuntimad G 1999 IEEE Trans. Neural Netw. 10 615

    [25]

    Weickert J, Bary H R, Max A V 1998 IEEE Trans. Image Process 7 398

    [26]

    Canny J 1986 IEEE Trans. Pattern Anal. Mach. Intell. PAMI-8 679

  • [1]

    Zhang W, Li J J, Yang Y P 2014 Signal Process 103 6

    [2]

    Chumchob N 2013 IEEE Trans. Image Process 22 4551

    [3]

    Wu T T, Yang Y F, Pang Z F 2012 Appl. Numer. Math. 62 79

    [4]

    Wu J, Tang C 2011 IEEE Trans. Image Process 20 2428

    [5]

    Brito-Loeza C, Chen K 2010 IEEE Trans. Image Process 19 1518

    [6]

    Wang Z, Huang X, Li Y X, Song X N 2013 Chin. Phys. B 22 010504

    [7]

    Perona P, Malik J 1990 IEEE Trans. Pattern Anal. Mach. Intell. 12 629

    [8]

    Rudin L I, Osher S, Fatemi E 1992 Physica D 60 259

    [9]

    Cheng L Y, Tang C, Yan S 2011 Optics Communications 284 5549

    [10]

    Liu P, Fang H, Li G Q, Liu Z W 2012 IEEE Geosci. Remote Sens. 9 358

    [11]

    Niang O, Thioune A, Gueirea M C 2012 IEEE Trans. Image Process 21 3991

    [12]

    Bumsub H, Dongbo M, Kwanghoon So 2013 IEEE Trans. Image Process 22 1096

    [13]

    Zhou X C, Wang M L, Zhou L F, Wu Q 2015 Acta Phys. Sin. 64 024205(in Chinese) [周先春, 汪美玲, 周林锋, 吴琴 2015 物理学报 64 024205]

    [14]

    Zhou X C, Shi L F, Han X L, Mo J Q 2014 Chin. Phys. B 23 090204

    [15]

    Zhou X C, Shi L F, Mo J Q 2014 Chin. Phys. B 23 040202

    [16]

    Zhang Y H, Ding Y, Wang L H 2011 Procedia Engineering 15 2778

    [17]

    Li J C, Ma Z H, Peng Y X, Huang B 2013 Acta Phys. Sin. 62 099501(in Chinese) [李金才, 马自辉, 彭宇行, 黄斌 2013 物理学报 62 099501]

    [18]

    Zhang K K, Gao X B, Li X L 2012 IEEE Trans. Image Process 21 4544

    [19]

    Dabov K, Foi A, Katkovnik V, Egiazarian K 2007 IEEE Trans. Image Process 16 2080

    [20]

    Deledalle C A, Denis L, Tupin F 2009 IEEE Trans. Image Process 18 2661

    [21]

    Nikpour M, Hassanpour H 2010 IET Image Process 4 452

    [22]

    Kamilov, Bostan E, Unser M 2012 IEEE Signal Process Lett. 19 187

    [23]

    Johnson J L, Padgett M L 1999 IEEE Trans. Neural Netw. 10 480

    [24]

    Ranganath H S, Kuntimad G 1999 IEEE Trans. Neural Netw. 10 615

    [25]

    Weickert J, Bary H R, Max A V 1998 IEEE Trans. Image Process 7 398

    [26]

    Canny J 1986 IEEE Trans. Pattern Anal. Mach. Intell. PAMI-8 679

  • [1] 李金才, 马自辉, 彭宇行, 黄斌. 基于图像熵的各向异性扩散相干斑噪声抑制. 物理学报, 2013, 62(9): 099501. doi: 10.7498/aps.62.099501
    [2] 周先春, 汪美玲, 石兰芳, 周林锋, 吴琴. 基于梯度与曲率相结合的图像平滑模型的研究. 物理学报, 2015, 64(4): 044201. doi: 10.7498/aps.64.044201
    [3] 周建忠, 陈抱雪, 李家韡, 王关德, 浜中广见. 光波导脉冲耦合器研究. 物理学报, 2014, 63(1): 014211. doi: 10.7498/aps.63.014211
    [4] 张军英, 陈 忠, 董继扬. 自动波竞争神经网络及其在单源最短路问题中的应用. 物理学报, 2007, 56(9): 5013-5020. doi: 10.7498/aps.56.5013
    [5] 周先春, 汪美玲, 石兰芳, 周林锋. 基于小波与重调和方程的扩散去噪模型的研究. 物理学报, 2015, 64(6): 064203. doi: 10.7498/aps.64.064203
    [6] 周先春, 汪美玲, 周林锋, 吴琴. 基于Demons算法改进的图像去噪模型研究. 物理学报, 2015, 64(2): 024205. doi: 10.7498/aps.64.024205
    [7] 唐英干, 邸秋艳, 赵立兴, 关新平, 刘福才. 基于二维最小Tsallis交叉熵的图像阈值分割方法. 物理学报, 2009, 58(1): 9-15. doi: 10.7498/aps.58.9
    [8] 窦健泰, 高志山, 马骏, 袁操今, 杨忠明. 基于图像信息熵的ptychography轴向距离误差校正. 物理学报, 2017, 66(16): 164203. doi: 10.7498/aps.66.164203
    [9] 张华, 许录平. 脉冲星脉冲轮廓累积的最小熵方法. 物理学报, 2011, 60(3): 039701. doi: 10.7498/aps.60.039701
    [10] 刘玉东, 王连明. 基于忆阻器的spiking神经网络在图像边缘提取中的应用. 物理学报, 2014, 63(8): 080503. doi: 10.7498/aps.63.080503
    [11] 吴一全, 张金矿. 二维直方图θ划分最大Shannon熵图像阈值分割. 物理学报, 2010, 59(8): 5487-5495. doi: 10.7498/aps.59.5487
    [12] 张玉, 谢映海, 杨维. 离散空间上的最小能量框架及其在矩形脉冲信号去噪中的应用研究. 物理学报, 2010, 59(11): 8255-8263. doi: 10.7498/aps.59.8255
    [13] 黄志精, 李倩昀, 白婧, 唐国宁. 在具有排斥耦合的神经元网络中有序斑图的熵测量. 物理学报, 2019, 68(11): 110503. doi: 10.7498/aps.68.20190231
    [14] 陈式刚. Glansdorff-Prigogine判据与最小熵产生定理. 物理学报, 1980, 170(10): 1315-1322. doi: 10.7498/aps.29.1315
    [15] 李如生. 最小熵产生定理和定态的稳定性. 物理学报, 1985, 34(7): 956-959. doi: 10.7498/aps.34.956
    [16] 欧发. 最小熵产生定理与光学被动腔. 物理学报, 1990, 39(7): 40-47. doi: 10.7498/aps.39.40
    [17] 李海燕, 胡云安, 任建存, 朱敏, 刘亮. 非匹配不确定交叉严反馈超混沌系统神经网络反演同步. 物理学报, 2012, 61(14): 140502. doi: 10.7498/aps.61.140502
    [18] 程雪涛, 梁新刚. 熵产最小化理论在传热和热功转换优化中的应用探讨. 物理学报, 2016, 65(18): 180503. doi: 10.7498/aps.65.180503
    [19] 张品, 梁艳梅, 常胜江, 范海伦. 基于能量最小化的肾脏计算断层扫描图像分割方法. 物理学报, 2013, 62(20): 208701. doi: 10.7498/aps.62.208701
    [20] 乔志伟. 总变差约束的数据分离最小图像重建模型及其Chambolle-Pock求解算法. 物理学报, 2018, 67(19): 198701. doi: 10.7498/aps.67.20180839
  • 引用本文:
    Citation:
计量
  • 文章访问数:  579
  • PDF下载量:  182
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-03-31
  • 修回日期:  2015-05-11
  • 刊出日期:  2015-10-05

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

  • 1. 南京信息工程大学, 江苏省气象探测与信息处理重点实验室, 南京 210044;
  • 2. 南京信息工程大学, 江苏省大气环境与装备技术协同创新中心, 南京 210044;
  • 3. 南京信息工程大学电子与信息工程学院, 南京 210044
  • 通信作者: 郭业才, guo-yecai@163.com
    基金项目: 

    国家自然科学基金(批准号: 11202106, 61201444)、教育部高等学校博士学科点专项科研基金(批准号: 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(批准号: 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.

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.

English Abstract

参考文献 (26)

目录

    /

    返回文章
    返回