一种参数自动寻优的PCNN图像分割算法

doi:10.3778/j.issn.1002-8331.2010.13.043

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (13): 145-146.DOI: 10.3778/j.issn.1002-8331.2010.13.043

• 图形、图像、模式识别 • 上一篇下一篇

一种参数自动寻优的PCNN图像分割算法

卢桂馥^1，2，王勇¹，窦易文¹

1.安徽工程科技学院计算机科学与工程系，安徽芜湖 241000
2.南京理工大学计算机学院，南京 210094

收稿日期:2008-11-12 修回日期:2009-01-20 出版日期:2010-05-01 发布日期:2010-05-01
通讯作者: 卢桂馥

Automated PCNN image segmentation method with optimal parameters

LU Gui-fu^1，2，WANG Yong¹，DOU Yi-wen¹

1.Department of Computer Science and Engineering，Anhui University of Technology and Science，Wuhu，Anhui 241000，China
2.Institute of Computer Science，Nanjing University of Science and Technology，Nanjing 210094，China

Received:2008-11-12 Revised:2009-01-20 Online:2010-05-01 Published:2010-05-01
Contact: LU Gui-fu

摘要/Abstract

摘要： 利用粒子群优化算法（Particle Swarm Optimization，PSO）具有对参数自动寻优的优势，将PSO和脉冲耦合神经网络（Pulse Couled Neural Network，PCNN）相结合，并以改进的最大类间方差准则函数为适应度函数，提出了一种能进行参数自动寻优的PCNN图像自动分割算法。实验仿真结果验证了该方法的有效性，即不仅可以正确地实现图像分割，而且PCNN的参数可以自动设置省去了人工实验的麻烦，同时分割速度也有所提高。

关键词: 脉冲耦合神经网络, 粒子群算法, 类间方差, 图像分割

Abstract: PSO algorithm has the ability to find the best parameters.So a new image segmentation method is proposed that bands PSO and PCNN and it’s objective function is an improved maximum between-cluster variance and it is used to segment the image automatically and successfully.The correctness and dependability of this method are verifiod by experiment results，that is to say，the quality of the segmentation method is much better and time-consuming is less and parameters-setting is automatical.

Key words: Pulse Couled Neural Network（PCNN）, Particle Swarm Optimization（PSO） algorithm, between-cluster variance, image segmentation

中图分类号:

TP391

卢桂馥^1，2，王勇¹，窦易文¹. 一种参数自动寻优的PCNN图像分割算法[J]. 计算机工程与应用, 2010, 46(13): 145-146.

LU Gui-fu^1，2，WANG Yong¹，DOU Yi-wen¹. Automated PCNN image segmentation method with optimal parameters[J]. Computer Engineering and Applications, 2010, 46(13): 145-146.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	赵阳，张俊华. 多尺度特征融合的脊柱X线图像分割方法[J]. 计算机工程与应用, 2021, 57(8): 214-219.
[3]	潘沛鑫，潘中良. 结合显著性的主动轮廓图像分割[J]. 计算机工程与应用, 2021, 57(8): 225-230.
[4]	董鹏，周烽，赵悰悰，王亚飞，米泽田，付先平. 基于双目视觉的水下海参尺寸自动测量方法[J]. 计算机工程与应用, 2021, 57(8): 271-278.
[5]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[6]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[7]	彭璟，罗浩宇，赵淦森，林成创，易序晟，陈少洁. 深度学习下的医学影像分割算法综述[J]. 计算机工程与应用, 2021, 57(3): 44-57.
[8]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[9]	刘锐，丁辉，尚媛园，邵珠宏，刘铁. COVID-19医学影像数据集及研究进展[J]. 计算机工程与应用, 2021, 57(22): 15-27.
[10]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[11]	周绍光，吴昊，赵婵娟，陈仁喜. 利用同质区特性的高光谱图像迁移学习分类[J]. 计算机工程与应用, 2021, 57(21): 224-233.
[12]	丁成，翁理国，夏旻，崔逸尘，钱俊豪，刘佳. 多注意力机制网络卫星图像分割算法[J]. 计算机工程与应用, 2021, 57(2): 223-229.
[13]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[14]	孙玮婕，杨军. 改进的简单非迭代聚类的遥感影像分割研究[J]. 计算机工程与应用, 2021, 57(13): 185-192.
[15]	杨勇，郭玲，叶阳东. 全变分流边与M2GGD相结合的自然图像分割方法[J]. 计算机工程与应用, 2021, 57(11): 202-210.

一种参数自动寻优的PCNN图像分割算法

Automated PCNN image segmentation method with optimal parameters

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics