复杂环境下人体红外图像分割的改进PCNN算法优化

本文主要探讨了一种在复杂环境下针对人体目标红外图像分割的改进脉冲耦合神经网络(Improved PCNN)方法。在现有的PCNN技术在处理复杂环境中的红外人体图像时，如噪声适应性差、目标边缘细节模糊等问题，作者提出了针对性的解决方案。 首先，针对红外图像特有的噪声特性，采用了加权均值滤波和各向异性高斯滤波技术来设计模型反馈输入域的权值矩阵。这种策略有助于提高模型对噪声的抑制能力，使得网络能够更好地处理复杂的背景干扰。 其次，作者改进了PCNN的连接强度参数表示方式，引入了拉普拉斯分量绝对和。这种方法使得参数设置更加自适应，能够根据不同场景动态调整，增强了网络对图像特征的捕捉和保留。 再次，通过计算点火区域的平均灰度值，构建了一种动态阈值策略，对PCNN模型进行迭代控制。这样做的目的是为了确保分割过程随着图像内容的变化而动态优化，提高了分割的精度和稳定性。 实验部分，作者将改进的PCNN方法应用于IEEE OTCBV和自拍数据库中的250多幅红外人体图像上，结果显示，新方法在抑制红外噪声方面表现出色，能够清晰地分割出包含丰富边缘细节的人体目标。在性能评估指标上，包括平均概率兰德指数和平均全局一致性误差等方面，改进的PCNN方法优于传统的PCNN分割方法，显示出其优越的分割效果和鲁棒性。 本文提出的改进PCNN方法在解决复杂环境下的人体目标红外图像分割问题上展现出了显著的优势，对于提高红外图像处理的准确性和实用性具有重要的理论和实际价值。机器视觉、红外图像分割、脉冲耦合神经网络、各向异性滤波和拉普拉斯分量绝对和等技术的结合，为今后此类领域的研究提供了新的思路和改进方向。