柵格元脈沖耦合神經(jīng)網(wǎng)絡(luò)模型如何解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的問題

　　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，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。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，同時繼承了柵格元神經(jīng)元的優(yōu)點，即具有較強的方向性、位置相對性和周期性。通過對遙感圖像、生活圖像、血管圖像進行仿真對比實驗，實驗結(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）模型具有對灰度相似的像素點進行分組的優(yōu)點，減少局部灰度差異，彌補局部區(qū)域的微小間斷，優(yōu)于其他自動分割方法。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之一；神經(jīng)元之間關(guān)系復雜，PCNN 模型難以準確描述神經(jīng)元之間的內(nèi)在關(guān)系，影響分割效果。
?