基于PCNN模型的区域生长图像分割-西南民族大学学报自然科学版.PDF

第40 卷第3 期 西南民族大学学报·自然科学版 May 2014 Journal of Southwest University for NationalitiesNatural Science Edition ___________________________________________________________________ doi: 10.3969/j.issn.1003-4271.2014.03.20 基于PCNN 模型的区域生长图像分割 刘莉 , 谈文蓉, 傅春常 (西南民族大学计算机科学与技术学院, 四川 成都 610041) 摘 要: 提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法. 该方法将待分割图像的像素点映射 为 PCNN 模型中的神经元, 把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割. 实 验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整, 区域划分更加准确, 分割效果更能符合人眼视 觉的识别特征. 关键字: 数值图像处理; 图像分割; 区域生长; PCNN 模型 中图分类号: TP391.41 文献标识码: A 文章编号: 1003-4271(2014)03-0434-05 引言 图像分割(Image Segmentation)是图像处理领域研究与应用的最重要的工作之一, 几乎图像处理的所有领域 都受到图像分割的影响, 受到人们的高度重视和深入研究. 图像分割是目标识别、图像分析、计算机视觉研究中 [1] 最基本、最重要的处理环节,是基础性的、关键性的技术, 分割的精确与否决定着其后续计算分析过程的成败 . 图像分割的目标是根据具体应用的需要和具体图像的内容把图像分成不同的、互不重叠的具有独特性质的区域, 各个区域内部的特征性质是相同的或相近的, 而不同类区域之间, 是具有不同的图像特征性质的. 这些特征包 括如像素的灰度值、物体的颜色、轮廓纹理, 变换的系数等, 也可以是空间频谱, 直方图特征等. 按照不同的分类标准, 图像分割方法可以划分为不同的种类, 目前图像分割技术包括基于特征领域内的像 素分割和基于空间领域的像素分割等, 后者主要包括边缘分割和区域分割. 基于特征领域的分割方法, 如: 阈值 法和聚类法, 主要是利用图像灰度等特征的概率分布特性来进行分割, 由于忽略了图像特征间的空间联系 , 单 [2] 一地从统计意义上进行像素的划分, 常常得不到理想的分割效果 . 基于空间领域的边缘检测分割方法试图通 过检测不同区域之间的边界来实现对图像的分割, 通常区域的边缘是灰度强度有阶跃变化的那些像素, 这是边 缘检测法得以实现的主要假设之一. 边缘提取一般采用经典的边缘检测算子来检测目标的边界以实现分割, 如 Canny、Sobel、PrewittH 和Laplacian 算子等. 但这些算子对噪声敏感, 抗噪能力较差, 一般只适合于噪声较小且 不太复杂的图像. 一般情况下, 图像中同一区域的像素具有某种相似性质, 比如相似的灰度、纹理、颜色等, 而不同区域的像 素特征性质具有明显的差异. 区域分割的实质就是将图像分成许多较小的区域, 把具有某种相似特征的像素连 通和集合起来构成分割区域. 这类方法在考虑了像素自身的灰度因素的基础上, 还考虑了像素与像素之间, 区 域与区域之间特征的相似性