为了解决脉冲耦合神经网络( Pulse Coupled Neural Network, PCNN)在图像分割中多参数设定以及评价准则单一的问题, 提出了一种结合粒子群优化算法(Particle Swarm Optimization, PSO)和综合评价准则的PCNN图像自动分割方法。采用单调递增阈值搜索策略的PCNN改进模型, 将PSO优化原理与由交叉熵参数, 边缘匹配度和噪点控制度共同构成的综合评价相结合, 以综合评价作为粒子的适应度函数, 自动寻优获取PCNN图像分割模型的目标时间常数, 连接系数以及迭代次数n, 从而实现全参数自适应的PCNN图像分割。实验结果表明算法在保证PCNN运行效率下对不同类型图像都能进行正确完整的分割并兼顾纹理细节的保留。从实验数据可以看到, 本文算法在综合评价和通用综合指标上均优于其他对比算法, 综合评价平均优于其他算法10.5%。客观评价结果与视觉主观评价相一致, 分割较理想, 算法具有较高的鲁棒性。

将分形面积度量和分形拟合误差相结合,提出一种复杂背景下扩展目标检测方法。运用分形面积度量进行目标和背景的边缘检测,并结合扩展目标特性确定目标所在区域范围,实现初检。计算原始图像各像素分形拟合误差特征,并运用概率松弛迭代法进行分形特征增强,利用增强特征进一步抑制初检结果中的自然背景。最后运用数学形态学操作剔除背景粘连,实现扩展目标精确检测。实验结果表明:该方法能够有效、可靠地检测复杂背景下的扩展目标,并能较好保持目标的外形轮廓。

将K-均值聚类方法与分形理论相结合,提出了一种分两个阶段对扩展目标进行分割的方法。在预分割阶段,运用粗糙集理论求取初始聚类中心,在K-均值聚类分割和区域连通的基础上,检测图像边缘并进行边界跟踪,对于获得的目标和背景团块根据扩展目标特性确定目标潜在区域。在进一步分割阶段,给出图像分维数随尺度变化的函数,利用自适应阈值,根据分形理论的尺度不变性进一步抑制预分割结果中的自然背景,并运用形态学开运算消除背景粘连。实验表明该方法能有效并可靠地实现复杂背景下扩展目标的精确分割,分割出的扩展目标轮廓细节保持良好。

该方法提出以基于边缘区域的局部不变矩作为识别特征，结合多神经网络实现对缺损扩展目标的有效识别。讨论了离散情况下基于边缘区域局部不变矩的平移、旋转和尺度不变性。在此基础上，建立目标多个处理区域的BP人工神经网络，利用各网络分类综合结果提高缺损目标的识别率。实验结果显示该方法能够对缺损扩展目标进行正确识别，特别对于有较大部分缺损的扩展目标识别有明显优势。

提出一种新的以边界不变矩作为识别特征,运用BP网络识别扩展目标的方法.首次通过详细的理论证明和实验分析,揭示了离散边界不变矩不再具有严格的比例不变性,而位移和旋转不变性保持相对稳定,并对该不变矩作为识别特征的误差进行了深入分析,给出了正确计算边界不变矩的途径.在此基础上,以该边界不变矩作为识别特征,输入BP网络,采用合理的网络结构,实现对发生位移、旋转和尺度变化的扩展目标的识别.边界不变特征的引入,减少了数据运算量,实验结果表明,识别率达到95.9%.

提出基于边缘区域的不变矩计算方法,在此基础上,针对在运动中形状、尺寸和方位不断变化的扩展目标,提出一种以不变矩作为跟踪特征,粗、精阶段相结合的相关跟踪算法,并根据目标图像的相关性给出一种新的跟踪置信度.实验结果显示算法迅速、有效、匹配精度高,对于复杂背景,较强噪声和运动状态发生变化条件下的扩展目标跟踪稳定可靠.

综合利用目标边缘、区域和纹理等多种特征,提出一种新的复杂背景下扩展目标的分割算法.在基于知识的串行边界初分割基础上,运用一种新的分形分割方法抑制初分割图像中的自然背景团块,最后利用数学形态学运算消除背景粘连.实验结果表明该方法能够有效的分割复杂背景下的扩展目标,并能较好的保留目标的形状特征.