PCNN模型参数优化及红外图像分割方法研析.pdf

Research on the Parameters Optimization of PCNN Model and Its Mechanism to Segment Infrared Image A Thesis Submitted to Chongqing University in Partial Fulfillment of the Requirement for the Doctor’s Degree of Engineering By Zhou Dongguo Supervised by Prof. Gao Chao Specialty: Instrument Science and Technology College of Opto-Electronic Engineering of Chongqing University, Chongqing, China October 2013 中文摘要 摘 要 红外热像仪因其被动成像方式、较强的目标探测能力、全天候工作等特点， 目前在军事、安防等领域已经得到了广泛的应用。近年来，随着其应用领域的不 断开拓，人们迫切地需要智能探测红外场景中诸如运动体、受损部件等感兴趣内 容。于是，这种需求相应地促使了计算机视觉对红外图像处理的要求，其中尤为 重要的是图像的分割质量。由于红外图像主要体现的是温度场信息，传统的诸如 阈值、熵等分割方法都会因其固有的一些特征而产生低质量的分割结果。这些特 征包括：(1) 目标的热分布不一致容易引起灰度分布不均匀，且易于背景灰度分布 发生混叠；(2)红外图像信噪比低，噪声成分复杂；(3)红外目标的边缘较为模糊。 因此，为了有效地避免这些因素的影响，研究高效率高性能的分割方法一直成为 国内外研究的热点。 脉冲耦合神经网络(Pulse-coupled neural network, PCNN)作为生物视觉复杂神 经系统的仿生模型，具有对邻域相似输入的神经元同步发放脉冲等特性，有助于 克服红外目标亮度与背景混叠等因素导致的分割质量不佳。然而，由于其内部所 需设置的参数众多以及参数与图像特性之间关系不明确，极易引发神经元不规则 的行为，导致较高的分割错误。为此，本文深入开展了 PCNN 模型参数优化及其 红外图像分割机制的研究，提出并建立模型参数与图像特性、参数与参数之间的 关系，旨在获得较好的分割结果。具体而言，论文所取得的创新性成果主要体现 如下几点： (1) 聚类分析是研究分类的基本方法，本文在聚类分析的框架下，提出了真实 均值和估计均值保持一致性的聚类分割理论，并借助脉冲耦合神经元同步发放脉 冲特性，构建了一种新的PCNN 简化模型(simplified pulse-coupled neural network, SPCNN)。在该模型中，提出并建立与脉冲输出相关联的一种全新的图像分割机制， 为实现高质量红外图像分割结果奠定了基础。 (2) 提出了SPCNN 模型在贝叶斯规则下的红外图像分割方法。首先，分析和 探讨了在最佳分割条件下SPCNN 连接系数设置方法，接着通过引入贝叶斯规则， 确保了 PCNN 邻域同步点火特性，从而可以摒弃现有诸如基于熵、类间测度等迭 代停止规则，自适应地得到分割结果。相比于其他经典的阈值分割算法和现有的 一些 PCNN 分割方法，实验结果表明本文提出的方法针对一些代表性的红外图像 具有较好的处理能力，并在一定程度可分离目标和背景灰度分布的混叠，同时验 证了真实均值和估计均值保持一致性的聚类分割理论的有效性。 (3) 进一步优化 SPCNN 模型及其参数设置，建立了一种具有抗噪能力的 I 重庆大学博士学位论文 SPCNN 图像分割模型。该模型