1.常規PCNN，采用kin的連接權矩陣，并固定參數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有不同的分割效果，第11次迭代效果最好。

因此通過信息熵來確定圖像迭代次數的算法應對信息熵進行改進

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

?

2. 常規PCNN，采用馬的連接權矩陣，自定義參數

beta = 0.2 alph = 0.22 Ve = 50，周期太大

調整beta = 0.2 alph = 0.22 Ve = 20，周期為20，與kin的規律一致，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，點火周期與Ve成正比

圖像分割效果變好，第19次迭代時如下圖

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

對單個神經元輸出觀察到——每個脈沖周期只點火一次。Train4/1.png,點火周期為5次迭代（采用迭代次數表示時刻），而中間位置的幾個神經元都是在0,5,10這些時刻點火，0時刻未點火的周圍神經元基本不會點火。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。

對于馬和kin的pcnn，當參數變化時初次迭代的二值圖像基本沒有差別

如何選擇參數確實是一個大問題

?

3.? 基于最大熵的改進型圖像自動分割方法

馬提出了一種信息熵的圖像迭代次數確定方法，該方法以信息熵取值最大時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

通過計算信息熵的偏導數可以得到，當P1和P0同為0.5時，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像素與背景像素所占圖像比例相同時，達到最佳分割效果。然而，觀察MNIST手寫集，圖像的目標內容分布在圖像中央，且在圖像中占據很少的像素點，采用馬的方法來確定迭代次數明顯不適合本文的研究目標。

因此，本文提出了一種以手寫數字識別為對象的改進型最大熵自動圖像分割算法，其基本思想是，首先通過分析圖像的直方圖的兩峰值間的谷點作為圖像的分割點，并計算圖像在分割亮度兩側的概率值，將該值作為原算法概率的補充值。

據試驗效果顯示，算法的改進效果很不錯，與通過直接對輸出圖像觀察對比得到的最佳分割圖像迭代次數基本吻合。

?

總結

以上是生活随笔為你收集整理的PCNN探究实验的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。