1、脈沖耦合神經(jīng)網(wǎng)絡(Pulse Coupled Neural Network-PCNN)是20世紀90年代發(fā)展起來的一種新型神經(jīng)網(wǎng)絡，該網(wǎng)絡的神經(jīng)元模型是模擬視覺神經(jīng)細胞活動而得到的人工神經(jīng)元模型，所以這種網(wǎng)絡的背景是以生物學為基礎的。由于PCNN在弱連接的情況下，有尺度不變性、旋轉(zhuǎn)不變性、信號強度不變性、信號扭曲不變性以及在圖像處理的同時將二維空間變量轉(zhuǎn)化為一維時間序列等特點，使它非常適合圖像處理環(huán)境，已經(jīng)成為圖像處理的一種工具。

2、 本文對PCNN在圖像分割和圖像像素級融合兩個圖像處理領域做了一定的研究。 首先在圖像分割方面，通過對PCNN工作機理的分析，對原始模型進行了改進，利用改進后的PCNN進行圖像分割，并提出了一種圖像分割終止準則；針對PCNN網(wǎng)絡參數(shù)對圖像分割的影響，設計了參數(shù)能夠根據(jù)圖像進行自適應調(diào)整的圖像分割系統(tǒng)，該系統(tǒng)是一個建立在機器視覺基礎上的自適應閉合系統(tǒng)，實驗表明這種方法是可行的。 在圖像融合方面，針對不同類別的圖像，在詳細

3、分析PCNN特點的基礎上，利用其不同的特性，設計了不同的算法。針對局部互補的圖像，利用PCNN的脈沖累計對像素進行選擇，在這部分提出了兩種取舍準則，對一些文獻提出的方法做了補充，總結(jié)了不同圖像利用何種準則；對紅外和可見光圖像，利用PCNN脈沖同步機制，提出了基于圖像內(nèi)容的自適應加權融合，利用了局部交叉熵作為權值調(diào)整的方向；對不同聚焦的圖像，首先進行小波分解，對低頻系數(shù)利用加權融合規(guī)則，對高頻系數(shù)利用PCNN的脈沖爆發(fā)機理作為融合規(guī)則，然