PCNN探究实验

1.常规PCNN，采用kin的连接权矩阵，并固定参数beta = 0.2 alph = 0.22 Ve = 50

周期为15

初次迭代，图像信息熵最大，但效果不是最好的，在周期临界位置的不同迭代次数有不同的分割效果，第11次迭代效果最好。

因此通过信息熵来确定图像迭代次数的算法应对信息熵进行改进

n = 0                       n = 11

 

2. 常规PCNN，采用马的连接权矩阵，自定义参数

beta = 0.2 alph = 0.22 Ve = 50，周期太大

调整beta = 0.2 alph = 0.22 Ve = 20，周期为20，与kin的规律一致，但是最好的分割效果明显不如kin的最佳分割效果。

增大beta ,beta = 0.8 alph=0.22 Ve=20, 周期为20，点火周期与Ve成正比

图像分割效果变好，第19次迭代时如下图

增大alph, beta = 0.8 alph=1 Ve=20, 周期为5，小，且每个周期只有一次有图象输出 点火周期与alph成反比

对单个神经元输出观察到——每个脉冲周期只点火一次。Train4/1.png,点火周期为5次迭代（采用迭代次数表示时刻），而中间位置的几个神经元都是在0,5,10这些时刻点火，0时刻未点火的周围神经元基本不会点火。因此造成输出图像仅仅在每次迭代周期中的一次迭代中有分割图像显示。

对于马和kin的pcnn，当参数变化时初次迭代的二值图像基本没有差别

如何选择参数确实是一个大问题

 

3.  基于最大熵的改进型图像自动分割方法

马提出了一种信息熵的图像迭代次数确定方法，该方法以信息熵取值最大时判定为图像的最佳分割。信息熵公式如下：

H= -P1*log2P1-P0*log2P0

其中P1和P0分别代表输出图像像素为1的概率和像素为0的概率， P1+P0=1

通过计算信息熵的偏导数可以得到，当P1和P0同为0.5时，信息熵取最大值。这意味着，最大熵判定的最佳分割效果是在图像的目标像素与背景像素所占图像比例相同时，达到最佳分割效果。然而，观察MNIST手写集，图像的目标内容分布在图像中央，且在图像中占据很少的像素点，采用马的方法来确定迭代次数明显不适合本文的研究目标。

因此，本文提出了一种以手写数字识别为对象的改进型最大熵自动图像分割算法，其基本思想是，首先通过分析图像的直方图的两峰值间的谷点作为图像的分割点，并计算图像在分割亮度两侧的概率值，将该值作为原算法概率的补充值。

据试验效果显示，算法的改进效果很不错，与通过直接对输出图像观察对比得到的最佳分割图像迭代次数基本吻合。