脉冲耦合神经网络用于图像分割若干问题分析-analysis of some problems in image segmentation using pulse coupled neural network.docxVIP

论文审阅认定书研究生在规定的学习年限内，按照研究生培养方案的要求，完成了研究生课程的学习，成绩合格；在我的指导下完成本学位论文,经审阅，论文中的观点、数据、表述和结构为我所认同，论文撰写格式符合学校的相关规定，同意将本论文作为学位申请论文送专家评审。导师签字：年月日致谢时光荏苒，回想入学报到的情形还历历在目，仿佛只是昨天。转眼间研究生学习生活就要结束了，这三年来我收获颇丰，而绝不仅仅是书本上的知识，还有做人做事的道理，这也必将对我今后的生活产生深远的影响。在此，对一直悉心指导我的老师们，关心和帮助我的家人、同学和朋友们表达我最诚挚的谢意。首先，我要向我的导师丁世飞教授表示衷心的感谢和崇高的敬意。本文完成过程中，从寻找方向到选题，再到实验结果的分析，最终定稿，丁老师都给予了我极大的支持和精心的指导。在三年的学习和工作中，是丁老师为我们提供了舒适的科研环境，使我们在严寒酷暑的时节依然可以专心学习，近距离接触相关领域的前沿知识。而最重要的一点，丁老师在思想品质和人生态度方面对我的谆谆教诲，必将给我未来的人生道路带来更多帮助。丁老师严谨的科研态度、精益求精的工作作风、敏锐开阔的思维能力和刚正直率的为人风格无不给予了我深远的影响。在科研的道路上我所取得的每一点成绩，每一点进步都离不开丁老师的悉心指导与帮助。借此机会，我再次由衷地向丁老师表达我最诚挚的感谢。其次，我要感谢实验室帮助过我的师兄师姐，他们在学习和生活上给予我许多关心和帮助。尤其是已经毕业的黄华娟师姐，她为我的论文撰写提供了很多重要的指导意见，推荐给我一些经典的参考文献资料，这些都为我带来了很大帮助。感谢同级的同学和实验室的师弟师妹们，在三年的朝夕相处中，大家互相帮助、互相关心，学术上的交流亦使我受益匪浅。感谢我的父母和家人，感谢他们一直以来对我的理解与支持，没有他们的帮助，就没有我的今天。感谢我的女朋友，感谢她在我遇到困难时给我的每一次鼓励。最后，还要感谢参与我论文评审和答辩的各位老师，你们给了我一个在学习上审视过去、计划将来的机会。各位老师对我的帮助是一笔无价的财富。在今后的工作、学习中，我会更加努力，尽自己所能，感恩母校、回报社会。再次感谢我所提到的所有人，祝你们一生幸福快乐！摘要脉冲耦合神经网络（PulsecoupledNeuralNetwork,PCNN）是被称为第三代人工神经网络的新型神经网络模型。它具有生物学背景，是在研究哺乳动物视觉皮层脉冲震荡现象的基础上提出的。由于其在数字图像处理中具有独特的优势，在发展的二十多年间已经成为数字图像处理领域研究的热点，而且在其他一些智能信息处理领域也取得了不错的研究成果。本文主要针对脉冲耦合神经网络在图像分割领域中应用时存在的一些问题进行了探讨和研究。简化的脉冲耦合神经网络模型在早期的图像分割中取得了不错的效果，但随着其它分割技术的发展，其弊端逐渐显现，如边缘和细节的处理较为粗糙，明暗区域不敏感等。在深入研究了PCNN的基本思想和算法流程之后，为了提高模型的处理效果，本文考虑将同样具有生物学背景的视觉侧抑制机制与PCNN有机结合，研究了基于侧抑制机制的脉冲耦合神经网络（PulseCoupledNeuralNetworkbasedonLateralInhibition,LI-PCNN）。将基于侧抑制机制的脉冲耦合神经网络用于图像分割，本方法利用侧抑制系数调节相邻神经元的脉冲发放，模仿动物视觉神经细胞间的相互作用，加强了图像边缘和明暗细节处理，达到优化分割结果的效果。侧抑制机制的引入解决了一些分割中的问题，但实验发现模型参数的不同对分割的效果有很大影响。传统的参数确定方法是根据经验，通过多次实验来选择，这就使分割效果好坏具有很大的偶然性，因此本文对PCNN模型参数确定方法进行了讨论，研究了基于果蝇算法的脉冲耦合神经网络(PulseCoupledNeuralNetworkbasedonFruitFlyOptimizationAlgorithm,FOA-PCNN)。本方法对参数进行自适应确定，使用果蝇算法迭代寻找PCNN的最优参数，避免了参数选择盲目性。通过MATLAB平台的实验证明了其有效性。因此，本文的主要研究内容可以概括为对传统单纯使用脉冲耦合神经网络分割图像时细节处理不足问题的研究和网络模型多个参数确定问题的研究。本论文有图18幅，表3个，参考文献103篇。关键词：脉冲耦合神经网络；图像分割；侧抑制；果蝇算法IIIAbstractPulseCoupledNeuralNetwork(PCNN)isanewneuralnetworkmodelwhichisknownasthethirdgenerationofartificialneuralnetworks.PCNNisbasedonthestudyofthemammalianvi