资料下载
×
栅格元脉冲耦合神经网络模型如何解决传统神经网络的问题
消耗积分:0 |
格式:rar |
大小:0.65 MB |
2018-11-22
分享资料个
传统脉冲耦合神经网络模型描述神经元之间的内在联系时，仅仅考虑神经元之间的空间位置信息，忽略了神经元之间的灰度信息，使神经元之间的连接权值不准确，易产生误分割现象。为了解决这一问题，本文采用栅格元的响应函数作为神经元之间的连接权值，得到新的连接输入项。在新的连接权值中，不仅考虑了局部区域的灰度信息，而且考虑了局部区域的方差信息，同时继承了栅格元神经元的优点，即具有较强的方向性、位置相对性和周期性。通过对遥感图像、生活图像、血管图像进行仿真对比实验，实验结果说明本文提出的算法优于传统脉冲耦合神经网络模型。
图像分割是图像处理的基础，分割的准确率影响到后续图像处理效果，得到广泛的研究和应用。图像分割方法很多，其中，脉冲耦合神经网络（pulse couple neural network， PCNN）模型具有对灰度相似的像素点进行分组的优点，减少局部灰度差异，弥补局部区域的微小间断，优于其他自动分割方法。但脉冲耦合神经网络模型参数多，影响PCNN 模型分割效果，选择最优参数成为PCNN 模型图像分割的难点之一；神经元之间关系复杂，PCNN 模型难以准确描述神经元之间的内在关系，影响分割效果。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
