[发明专利]一种基于改进PCNN的番茄植株夜间图像分割方法

摘要

本发明公开了一种基于改进PCNN的番茄植株夜间图像分割方法。首先对采集的番茄植株彩色图像进行最大类间方差计算，并获取对应的最佳阈值level；基于最大类间方差的阈值改进PCNN算法，将最大类间方差的阈值直接赋值给PCNN模型中的链接权放大系数VE、阈值迭代衰减时间常数αE和突触间链接系数β；再将PCNN模型中的链接输入项进行改进，将神经元上一次的点火输出与内部连接矩阵经过卷积后再与最大类间方差的阈值进行相乘得到本次链接输入项。应用本发明可实现番茄植株夜间图像分割中PCNN模型参数的自适应调整，减少PCNN迭代次数，提高算法应用的实时性。

主权项

1.一种基于改进PCNN的番茄植株夜间图像分割方法，其特征在于，包括如下步骤：①图像预处理：使用维纳滤波对番茄植株夜间彩色图像C进行降噪处理得到图像D；②改进PCNN模型：对PCNN模型中链接输入项进行加权，得到改进后的PCNN模型如式(1)至式(5)所示：F_ij(n)＝S_ij  (1)L_ij(n)＝t(∑_klW_ijklY_kl(n‑1))  (2)U_ij(n)＝F_ij(n)(1+βL_ij(n))  (3)式中：F_ij—神经元的反馈输入；S_ij—灰度图像S对应像素值；L_ij—链接输入项；U_ij—内部活动项；β—突触间链接系数；Y_ij—脉冲输出值；E_ij—动态门限；n—迭代次数；t—权值系数；i、j—表示数字图像中的某一个像素；k、l—表示中心像素的邻域像素；α_E—动态门限系统的迭代衰减时间常数；V_E—对应的链接权放大系数；W—链接权值矩阵，如式(6)所示：③设置PCNN参数初值，设置迭代次数n＝1，开始基于改进PCNN模型的迭代图像分割；④使用改进后的PCNN模型对降噪后的图像D进行图像分割，得到二值图像B(n)；⑤计算二值图像B(n)的信息熵P(n)；⑥判断信息熵P(n)是否大于前一次迭代所得的信息熵P(n‑1)：若是，迭代次数自增1，跳转到步骤④；否则，则将前一次迭代所得图像分割结果B(n‑1)作为最终的图像分割结果，结束基于改进PCNN模型的迭代图像分割。