傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型描述神經(jīng)元之間的內(nèi)在聯(lián)系時(shí)，僅僅考慮神經(jīng)元之間的空間位置信息，忽略了神經(jīng)元之間的灰度信息，使神經(jīng)元之間的連接權(quán)值不準(zhǔn)確，易產(chǎn)生誤分割現(xiàn)象。為了解決這一問題，本文采用柵格元的響應(yīng)函數(shù)作為神經(jīng)元之間的連接權(quán)值，得到新的連接輸入項(xiàng)。在新的連接權(quán)值中，不僅考慮了局部區(qū)域的灰度信息，而且考慮了局部區(qū)域的方差信息，同時(shí)繼承了柵格元神經(jīng)元的優(yōu)點(diǎn)，即具有較強(qiáng)的方向性、位置相對(duì)性和周期性。通過對(duì)遙感圖像、生活圖像、血管圖像進(jìn)行仿真對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果說明本文提出的算法優(yōu)于傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型。

?

　　圖像分割是圖像處理的基礎(chǔ)，分割的準(zhǔn)確率影響到后續(xù)圖像處理效果，得到廣泛的研究和應(yīng)用。圖像分割方法很多，其中，脈沖耦合神經(jīng)網(wǎng)絡(luò)（pulse couple neural network， PCNN）模型具有對(duì)灰度相似的像素點(diǎn)進(jìn)行分組的優(yōu)點(diǎn)，減少局部灰度差異，彌補(bǔ)局部區(qū)域的微小間斷，優(yōu)于其他自動(dòng)分割方法。但脈沖耦合神經(jīng)網(wǎng)絡(luò)模型參數(shù)多，影響PCNN 模型分割效果，選擇最優(yōu)參數(shù)成為PCNN 模型圖像分割的難點(diǎn)之一；神經(jīng)元之間關(guān)系復(fù)雜，PCNN 模型難以準(zhǔn)確描述神經(jīng)元之間的內(nèi)在關(guān)系，影響分割效果。
?