二维Tsallis熵与改进PCNN在图像分割中的应用

"基于二维Tsallis熵的改进PCNN图像分割 (2008年) - 东南大学学报(自然科学版), 张煜东, 吴乐南" 本文是自然科学领域的学术论文，主要探讨了如何利用改进的脉冲耦合神经网络（PCNN）进行图像分割，并引入了二维Tsallis熵作为新的分割准则。传统的图像分割方法在处理复杂图像时往往表现不佳，特别是在处理空间变异较大的图像时。为此，作者提出了一种新方法，旨在改善PCNN的性能。 首先，论文中提到的PCNN是一种模拟生物神经元之间脉冲耦合行为的模型，通常用于图像处理和分割任务。通过调整PCNN的内部活动项，实现空间不变的单阈值化分割，这一改进使得PCNN能够处理空间变异的图像分割问题，即在不同的图像区域应用一致的阈值。 其次，作者引入了二维Tsallis熵的概念。Tsallis熵是一种非经典的熵度量，它扩展了传统的Shannon熵，适用于描述非高斯分布或复杂系统的不确定性。在图像处理中，二维Tsallis熵可以更全面地反映图像信息的复杂性和多样性。通过计算图像的二维直方图，可以得到反映图像信息结构的二维Tsallis熵，从而作为更有效的分割准则。 然后，论文还优化了动态门限项的下降速度，这直接影响到PCNN的收敛速度。通过调整这一参数，可以加速PCNN的收敛过程，提高分割效率。 实验结果显示，使用二维Tsallis熵作为分割准则的改进PCNN模型在图像分割性能上优于基于最大Shannon熵和最小交叉熵的准则。此外，改进的PCNN模型相对于传统PCNN模型，其收敛速度显著加快，表明这种方法在实际应用中有更高的计算效率和分割精度。 这篇论文为图像分割领域提供了一个新的、基于二维Tsallis熵的改进PCNN方法，对于处理具有复杂结构和空间变异的图像具有重要意义。这种方法不仅提高了分割质量，还提升了计算效率，对后续的图像分析和理解工作具有积极的促进作用。