基于PCNN的高斯噪聲圖像濾波與彩色圖像分割算法的研究.pdf

1、在圖像濾波、圖像分割中出現(xiàn)的錯誤和偏差會直接影響到后續(xù)處理與決策的正確性。圖像濾波的有效性和圖像分割的精確性能夠保證為后續(xù)處理提供置信度高的輸入數(shù)據(jù)。能否有效的改善圖像的質量，能否正確地提取被檢測物體的特征參數(shù)，能否盡可能少地受到圖像中噪聲的影響導致結果的準確性下降，這些都在很大程度上取決于對原始圖像的濾波和分割等處理措施是否有效、是否符合實際情況。脈沖耦合神經(jīng)網(wǎng)絡(PCNN-Pulse-coupledneuralnetworks)是近

2、年來提出的一種新型網(wǎng)絡，被稱為第三代神經(jīng)網(wǎng)絡，它是通過模擬貓的大腦視覺皮層中同步脈沖發(fā)放行為而建立起來的一個簡化模型。本文在深入分析脈沖耦合神經(jīng)網(wǎng)絡工作機理的基礎上，著重研究了它在圖像濾波、彩色圖像分割中的應用。 在圖像濾波中，我們希望在保留圖像細節(jié)的同時盡可能地去除噪聲，但這在實際處理中通常是矛盾的。諸多學者們都在試圖尋找各種算法或策略來解決這一矛盾，并取得了一定的成效。但是，目前這些算法大都針對椒鹽或脈沖噪聲的圖像而言，針對

3、高斯噪聲的圖像濾波研究不僅文獻較少，而且都沒有很好地解決去除噪聲與保護圖像細節(jié)之間的矛盾。尤其對于高方差的高斯噪聲研究更為甚少。本文重點研究了高方差的高斯噪聲圖像的濾波問題。提出了一種先定位和去除大噪聲像素，后平滑小噪聲像素的濾波思想。該算法較好地處理了去噪與細節(jié)保護之間的矛盾，并獲得了較滿意的濾波結果。 目前，彩色圖像分割研究的焦點在于色彩模型空間的選取和圖像分割的準確性。在各色彩空間中，已被證實以HSV空間為代表的符合視覺感

4、知的色彩空間適合于圖像分割處理。然而，在由RGB空間轉化到HSV空間后，H分量中可能存在奇異點，已有的各種算法并沒有解決這個問題。有關彩色圖像分割方法大都是將灰度圖像分割的方法直接應用于色彩空間中的各分量上，然后進行合并處理；或是先對各色彩分量進行量化，然后應用已有的分割方法進行處理。然而，現(xiàn)有的圖像分割算法各自存在其不足之處，如閾值分割法沒有考慮空間位置信息，因而不能保證分割的區(qū)域是連續(xù)的；又如區(qū)域分割法則在時間和空間上代價都比較大，

5、同時依賴于種子像素的選取以及像素和區(qū)域檢測的順序等等。針對上述問題，本文重點研究了由RGB空間轉化到HSV空間后的奇異點和不穩(wěn)定點的問題，并提出了在HSV空間中基于PCNN的彩色圖像分割算法，并獲得較好的仿真試驗結果。 本文的主要工作包括：(1)介紹圖像濾波、彩色圖像分割的各種模型，分析它們的優(yōu)缺點，提出將PCNN應用于圖像濾波，彩色圖像分割，以解決已有方法存在的局限。(2)圖像濾波：針對圖像中高方差的高斯噪聲的特點，提出了一種

6、先定位、去除大噪聲像素，后平滑小噪聲像素的濾波思想，通過與均值濾波、中值濾波、MTM濾波和IMF濾波方法的比較，仿真實驗結果表明本文提出的圖像濾波方法能夠十分有效地去除高方差的高斯噪聲，同時對低方差的高斯噪聲也有很好的去除效果，較好地解決了在高方差情況下濾除噪聲和保留細節(jié)之間的矛盾。(3)彩色圖像分割：首先，針對RGB空間到HSV空間的變換公式，分析了色度H分量中存在的奇異點和不穩(wěn)定點現(xiàn)象，提出了修正變換公式，然后，在HSV色彩空間實現(xiàn)