开题报告内容
一． 选题背景与意义：
图像分割是指将图像划分成几个互补交迭的连通区域，使同一连通区域内属性一致，不同区域间属性有明显差异，并将感兴趣的区域提取出来的过程。图像分割技术使用广泛，在机器视觉、人脸识别、交通控制系统、医学影像等方面有着较好的应用成果。
当今，图像分割技术主要分成三种：基于区域的图像分割、基于边缘的图像分割以及区域边缘相结合的图像分割。近年来，在国内外众多学者的努力下，图像分割技术取得了巨大的突破与进展。但由于图像本身的复杂性与多变性，分割不同类型的图像时，为获得最优分割结果，算法也需做相应的改进，值得进行研究。
人工神经网络是能模仿生物神经网络行为特征，基于经验风险最小化原则进行分布式并行信息处理的学习模型。神经网络作为当下热门研究领域之一，在图像分割中亦有优异表现。本课题拟采用脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)算法进行图像分割，通过研究该算法的原理，针对其存在的缺陷进行改进，以期得到更好的图像分割结果。
二．拟解决的问题
PCNN是1990年由德国学者Eckhorn R等人[1]首先根据猫的视觉皮层传导机理研究得出，并最终由Johnson等人[2]经过修正和简化后提出的一种人工神经网络模型。PCNN模型用于图像分割时能较好处理图像目标与背景间的重叠情况，同时能忽略同区域内像素间较小的灰度差异、弥补同区域内的空间间隙，因而得到广泛应用[3]。但传统PCNN模型需经过人工多次实验才能确定合适模型参数及循环迭代次数，效率较低[4]。本课题拟通过研究传统PCNN模型的原理后，针对其缺陷进行改进，提高PCNN模型在图像分割中的运算效率，使其能更好地应用在图像分割领域。
三．研究方法及研究步骤
1. 文献查阅
通过阅读大量的国内外文献，掌握图像分割算法发展历程与设计原理，其中重点搜集和分析研究各种基于PCNN模型的图像分割有关的文献资料。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
