基于pcnn的圖像分割的matlab實(shí)現(xiàn)(已修改)
2025-01-28 12:57 本頁面
【正文】 基于PCNN的圖像分割的matlab實(shí)現(xiàn)圖像分割是一種重要的圖像技術(shù)，在理論研究和實(shí)際應(yīng)用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運(yùn)算可直接應(yīng)用于任何圖像，而另一些只能適用于特殊類別的圖像。有些算法需要先對(duì)圖像進(jìn)行粗分割，因?yàn)樗麄冃枰獜膱D像中提取出來的信息。例如，可以對(duì)圖像的灰度級(jí)設(shè)置門限的方法分割。許多不同種類的圖像或景物都可作為待分割的圖像數(shù)據(jù)，不同類型的圖像，已經(jīng)有相對(duì)應(yīng)的分割方法對(duì)其分割，同時(shí)，某些分割方法也只是適合于某些特殊類型的圖像分割。分割結(jié)果的好壞需要根據(jù)具體的場(chǎng)合及要求衡量。圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，可以說，圖像分割結(jié)果的好壞直接影響對(duì)圖像的理解。脈沖耦合神經(jīng)網(wǎng)絡(luò)( PCNN) 是一種不同于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的新型神經(jīng)網(wǎng)絡(luò),它有著重要的生物學(xué)背景,是由Eckhorn 為解釋在貓的大腦視覺皮層中實(shí)驗(yàn)所觀察到的與特征有關(guān)的神經(jīng)元同步行為現(xiàn)象而提出的。PCNN 的這個(gè)生物學(xué)背景使它在圖像處理中具有先天優(yōu)勢(shì),有著與傳統(tǒng)方法進(jìn)行圖像處理所無法比擬的優(yōu)越性。下面的程序是基于PCNN最基本的圖像分割的matlab實(shí)現(xiàn)，分割效果較好。主程序：1. function[Edge,Numberofaera]=PCNN(X) 2. %X:輸入的灰度圖像,Edge:檢測(cè)到的一些邊界點(diǎn),Numberofaera則表明了在各次迭代時(shí)激活的塊區(qū)域 3. clear。 4. clc。 5. I=imread(39。39。)。 6. [Xa,Ya]=size(I)。 7. subplot(1,2,1)。 8. imshow(I)。 9. %imshow(I)。 10. X=double(I)。 11. %X=double(imread(39。39。))。 12. Weight=[1101。1]。%此可權(quán)值矩陣的選取原則(或者根據(jù))是什么? 13. Beta=。 14. Yuzhi=200。 15. Decay=。 16. [a,b]=size(X)。 17. Threshold=zeros(a,b)。 18. S=zeros(a+2,b+2)。 19. B=zeros(a,b)。%標(biāo)記樣板,表明該pixel是否被激活過。 20. Y=zeros(a,b)。 21. Edge=zeros(a,b)。Numberofaera=zeros(a,b)。Numberofaera_1=zeros(a,b)。 22. Num_1=0。Num=0。 23. n=1。 24. while(sum(sum(B))~=Xa*Ya)%若采用128*128的圖像，須注意。 25. fori0=2:a+1 26. fori1=2:b+1 27. V=[S(i01,i11)S(i01,i1)S(i01,i1+1)。 28. S(i0,i
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1