1.常規(guī)PCNN，采用kin的連接權(quán)矩陣，并固定參數(shù)beta = 0.2 alph = 0.22 Ve = 50

周期為15

初次迭代，圖像信息熵最大，但效果不是最好的，在周期臨界位置的不同迭代次數(shù)有不同的分割效果，第11次迭代效果最好。

因此通過(guò)信息熵來(lái)確定圖像迭代次數(shù)的算法應(yīng)對(duì)信息熵進(jìn)行改進(jìn)

n = 0?????????????????????? n = 11

?

2. 常規(guī)PCNN，采用馬的連接權(quán)矩陣，自定義參數(shù)

beta = 0.2 alph = 0.22 Ve = 50，周期太大

調(diào)整beta = 0.2 alph = 0.22 Ve = 20，周期為20，與kin的規(guī)律一致，但是最好的分割效果明顯不如kin的最佳分割效果。

增大beta ,beta = 0.8 alph=0.22 Ve=20, 周期為20，點(diǎn)火周期與Ve成正比

圖像分割效果變好，第19次迭代時(shí)如下圖

增大alph, beta = 0.8 alph=1 Ve=20, 周期為5，小，且每個(gè)周期只有一次有圖象輸出 點(diǎn)火周期與alph成反比

對(duì)單個(gè)神經(jīng)元輸出觀察到——每個(gè)脈沖周期只點(diǎn)火一次。Train4/1.png,點(diǎn)火周期為5次迭代（采用迭代次數(shù)表示時(shí)刻），而中間位置的幾個(gè)神經(jīng)元都是在0,5,10這些時(shí)刻點(diǎn)火，0時(shí)刻未點(diǎn)火的周圍神經(jīng)元基本不會(huì)點(diǎn)火。因此造成輸出圖像僅僅在每次迭代周期中的一次迭代中有分割圖像顯示。

對(duì)于馬和kin的pcnn，當(dāng)參數(shù)變化時(shí)初次迭代的二值圖像基本沒(méi)有差別

如何選擇參數(shù)確實(shí)是一個(gè)大問(wèn)題

?

3.? 基于最大熵的改進(jìn)型圖像自動(dòng)分割方法

馬提出了一種信息熵的圖像迭代次數(shù)確定方法，該方法以信息熵取值最大時(shí)判定為圖像的最佳分割。信息熵公式如下：

H= -P1*log2P1-P0*log2P0

其中P1和P0分別代表輸出圖像像素為1的概率和像素為0的概率， P1+P0=1

通過(guò)計(jì)算信息熵的偏導(dǎo)數(shù)可以得到，當(dāng)P1和P0同為0.5時(shí)，信息熵取最大值。這意味著，最大熵判定的最佳分割效果是在圖像的目標(biāo)像素與背景像素所占圖像比例相同時(shí)，達(dá)到最佳分割效果。然而，觀察MNIST手寫集，圖像的目標(biāo)內(nèi)容分布在圖像中央，且在圖像中占據(jù)很少的像素點(diǎn)，采用馬的方法來(lái)確定迭代次數(shù)明顯不適合本文的研究目標(biāo)。

因此，本文提出了一種以手寫數(shù)字識(shí)別為對(duì)象的改進(jìn)型最大熵自動(dòng)圖像分割算法，其基本思想是，首先通過(guò)分析圖像的直方圖的兩峰值間的谷點(diǎn)作為圖像的分割點(diǎn)，并計(jì)算圖像在分割亮度兩側(cè)的概率值，將該值作為原算法概率的補(bǔ)充值。

據(jù)試驗(yàn)效果顯示，算法的改進(jìn)效果很不錯(cuò)，與通過(guò)直接對(duì)輸出圖像觀察對(duì)比得到的最佳分割圖像迭代次數(shù)基本吻合。

?

總結(jié)

以上是生活随笔為你收集整理的PCNN探究实验的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。