同步震荡网络的图像分割算法研究
同步震荡网络的图像分割算法研究
图像分割是图像处理、模式识别和人工智能等多个领域中的重要课题，也是计算机视觉技术中首要的关键步骤。常用的图像分割方法有阈值分割法、基于形态学分水岭法、区域增长技术等，但这些方法往往存在许多不足，例如对不同图像适应性差、过分割和误分割严重。因此，给定一个实际应用要选择一个合用的图像分割算法仍是一个麻烦的问题。
然而，人类对自身视觉机理和神经系统研究的不断深入及计算机技术的迅速发展为图像分割问题的解决提供了新的途径。针对这种现状，本文提出了同步震荡神经网络进行图像分割的方法，该方法具有适应能力强、对比度高、有效区域较精确等优点，推动了图像分割向智能化方向发展。
本文主要将同步震荡神经网络相关理论用于图像分割。通过对传统的图像分割方法的比较分析，重点讨论了局部兴奋全局抑制震荡网络（Locally Excitatory Globally Inhibitory Oscillator Network，简称LEGION）图像分割算法，并通过仿真实验验证其分割的可行性和有效性。 本文首先分析了基于震荡相关性的LEGION选择网络模型，并在计算机上进行了仿真，分析了其参数对模型的影响，并调整算法中的参数以寻求较好的图像分割效果，同时将该算法与其他常用的图像分割算法进行了比较。
关键词：图像分割；同步震荡神经网络；局部兴奋全局抑制；
2.2.1 Terman-Wang振荡器模型
从数学和计算的角度出发，Terman 和 Wang 提出以下的振荡器模型：
（2.1）
式（2.1）中表示振荡器接收到的外部刺激，其中 零特征曲线（=0）是一个三次函数， 零特征曲线）是sigmoid函数，和是参数，当 时，两条零特征曲线就会在三次曲线的中间相交，并且产生稳定的周期轨迹。振荡器的输出波形如图2.1所示，周期解在几乎固定的静止阶段（Silent phase，）和活跃阶段（Active phase， ）之间交替，并且在两个阶段之间的转移非常快（可以认为是跳变）。可以看出，振荡器的轨迹是首先在两个分枝（branches）之间跳变，然后紧密地沿着一个分枝变化。因为非常的小，它引起的 随时间的变化非常的小。如图 2.1 所示，静止阶段和活跃阶段与三次曲线的左边分枝（LB）和右边分枝（RB）相一致。如果 ，等式（2.1）的两条零特征曲线就在三次曲线左边分枝上的一个固定点相交，如图 2.2 所示，不产生振荡。
参数决定了周期解在活跃阶段和静止阶段的相对时间，大的表明在活跃阶段的时间相对短，参数决定 sigmoid 函数的陡峭程度，一般选取一个比较小的值，使得 sigmoid 函数接近一个二值函数（binary function）。一般选取一个比较小的值，小的为模型引入了两个时间标度：表示变量的快的时间标度和表示变量的慢的时间标度。
第一章 绪论 1
1.1研究背景及研究意义 1
1.2 国内外研究现状 2
1.3本文主要内容及章节安排 3
第二章 LEGION振荡器模型分析 4
2.1振荡相关理论介绍 4
2.1.1 神经网络介绍 5
2.1.2振荡相关性理论 5
2.2振荡模型提出 6
2.2.1 Terman-Wang振荡器模型 6
2.2.2 LEGION网络基本模型 8
2.2.3 LEGION的工作原理 11
2.3 LEGION 网络侧向势能模型 15
2.3.1侧向势能模型描述 15
2.3.2侧向势能参数描述 16
2.3.3 侧向势能模型工作原理 16
2.4耦合项及动态权值调节 18
2.5 本章小结 19
第三章 LEGION图像分割算法仿真及分析 21
3.1算法设计 21
3.1.1算法步骤 21
3.1.2算法说明 23
3.2算法仿真 24
3.3本章小结 27
第四章 LEGION分割算法与其他分割算法的比较 28
4.1图形分割算法概述 28
4.1.1自动阈值分割方法 28
4.1.2基于形态学分水岭的分割法 29
4.1.3 区域分裂合并法 31
4.2 各个分割方法比较 32
4.3本章小结 33
第五章 全文总结与展望 34
5.1 总结 34
5.2展望 34
致谢 36
参考文献 37
英文文献 40
中文译文 45
图像分割是图像处理、模式识别和人工智能等多个领域中的重要课题，也是计算机视觉技术中首要的关键步骤。常用的图像分割方法有阈值分割法、基于形态学分水岭法、区域增长技术等，但这些方法往往存在许多不足，例如对不同图像适应性差、过分割和误分割严重。因此，给定一个实际应用要选择一个合用的图像分割算法仍是一个麻烦的问题。
然而，人类对自身视觉机理和神经系统研究的不断深入及计算机技术的迅速发展为图像分割问题的解决提供了新的途径。针对这种现状，本文提出了同步震荡神经网络进行图像分割的方法，该方法具有适应能力强、对比度高、有效区域较精确等优点，推动了图像分割向智能化方向发展。
本文主要将同步震荡神经网络相关理论用于图像分割。通过对传统的图像分割方法的比较分析，重点讨论了局部兴奋全局抑制震荡网络（Locally Excitatory Globally Inhibitory Oscillator Network，简称LEGION）图像分割算法，并通过仿真实验验证其分割的可行性和有效性。 本文首先分析了基于震荡相关性的LEGION选择网络模型，并在计算机上进行了仿真，分析了其参数对模型的影响，并调整算法中的参数以寻求较好的图像分割效果，同时将该算法与其他常用的图像分割算法进行了比较。
关键词：图像分割；同步震荡神经网络；局部兴奋全局抑制；
2.2.1 Terman-Wang振荡器模型
从数学和计算的角度出发，Terman 和 Wang 提出以下的振荡器模型：
（2.1） 式（2.1）中表示振荡器接收到的外部刺激，其中 零特征曲线（=0）是一个三次函数， 零特征曲线）是sigmoid函数，和是参数，当 时，两条零特征曲线就会在三次曲线的中间相交，并且产生稳定的周期轨迹。振荡器的输出波形如图2.1所示，周期解在几乎固定的静止阶段（Silent phase，）和活跃阶段（Active phase， ）之间交替，并且在两个阶段之间的转移非常快（可以认为是跳变）。可以看出，振荡器的轨迹是首先在两个分枝（branches）之间跳变，然后紧密地沿着一个分枝变化。因为非常的小，它引起的 随时间的变化非常的小。如图 2.1 所示，静止阶段和活跃阶段与三次曲线的左边分枝（LB）和右边分枝（RB）相一致。如果 ，等式（2.1）的两条零特征曲线就在三次曲线左边分枝上的一个固定点相交，如图 2.2 所示，不产生振荡。
参数决定了周期解在活跃阶段和静止阶段的相对时间，大的表明在活跃阶段的时间相对短，参数决定 sigmoid 函数的陡峭程度，一般选取一个比较小的值，使得 sigmoid 函数接近一个二值函数（binary function）。一般选取一个比较小的值，小的为模型引入了两个时间标度：表示变量的快的时间标度和表示变量的慢的时间标度。
第一章 绪论 1
1.1研究背景及研究意义 1
1.2 国内外研究现状 2
1.3本文主要内容及章节安排 3
第二章 LEGION振荡器模型分析 4
2.1振荡相关理论介绍 4
2.1.1 神经网络介绍 5
2.1.2振荡相关性理论 5
2.2振荡模型提出 6
2.2.1 Terman-Wang振荡器模型 6
2.2.2 LEGION网络基本模型 8
2.2.3 LEGION的工作原理 11
2.3 LEGION 网络侧向势能模型 15
2.3.1侧向势能模型描述 15
2.3.2侧向势能参数描述 16
2.3.3 侧向势能模型工作原理 16
2.4耦合项及动态权值调节 18
2.5 本章小结 19
第三章 LEGION图像分割算法仿真及分析 21
3.1算法设计 21
3.1.1算法步骤 21
3.1.2算法说明 23
3.2算法仿真 24
3.3本章小结 27
第四章 LEGION分割算法与其他分割算法的比较 28
4.1图形分割算法概述 28
4.1.1自动阈值分割方法 28
4.1.2基于形态学分水岭的分割法 29
4.1.3 区域分裂合并法 31
4.2 各个分割方法比较 32
4.3本章小结 33
第五章 全文总结与展望 34
5.1 总结 34
5.2展望 34
致谢 36
参考文献 37
英文文献 40
中文译文 45
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2385.html
