基于形態(tài)學(xué)增強(qiáng)的PCNN金相圖分割.pdf

1、圖像分割在圖像處理中的應(yīng)用十分廣泛,目前的圖像分割算法總類繁多。近幾年將脈沖耦合神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像分割漸漸成為熱點(diǎn),本文主要對(duì)復(fù)雜背景下的金相圖,采用PCNN圖像分割算法進(jìn)行相關(guān)的研究。
　　 本文首先提出一種改進(jìn)的形態(tài)學(xué)top-hat濾波增強(qiáng)算法,通過(guò)對(duì)該算法中相關(guān)參數(shù)的調(diào)節(jié),增強(qiáng)圖像的對(duì)比度,使得增強(qiáng)后的金相圖更有利于圖像分割。
　　 然后通過(guò)對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的理論研究,對(duì)模型進(jìn)行如下的一些改進(jìn)?？紤]到傳統(tǒng)模型

2、中的參數(shù)多并且計(jì)算復(fù)雜,本文將該模型進(jìn)一步簡(jiǎn)化,降低了分割的時(shí)間。由于模型參數(shù)的選取一直是一個(gè)難點(diǎn)問題,本文根據(jù)現(xiàn)有的方法,對(duì)模型參數(shù)的設(shè)置進(jìn)行一些研究。分割效果一直是人們關(guān)注的重點(diǎn),怎樣提高算法的分割效果也一直是人們研究的方向。采用該模型對(duì)復(fù)雜背景下的金相圖進(jìn)行分割時(shí),會(huì)出現(xiàn)不同程度的誤分割,其中最主要的就是邊緣信息的把握不準(zhǔn)。本文將SUSAN邊緣檢測(cè)算法與該模型相結(jié)合,用SUSAN邊緣檢測(cè)的結(jié)果初始化模型的閾值矩陣,使得圖像邊緣部分