用无需选取参数的Unit-linking PCNN进行自动图像分割

脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）是一种有生物学依据的人工神经网络，它可有效地用于图像分割。基于PCNN的图像分割效果取决于PCNN中各参数的选择。然而，图像分割时，各种不同的图像对应的PCNN参数是不同的，而PCNN参数的选择是困难的。本文提出了一种基于Unit-linking PCNN的图像分割新方法，解决了PCNN图像分割参数选择的难题。用本文提出的新方法可有效地自动分割各种图像，而无需考虑PCNN参数的选择，这对于PCNN的理论研究和实际应用有重要的意义。     

基于脉冲耦合神经网络的空中扩展目标检测

 对单位链接脉冲耦合神经网络模型中的线性调制、动态阈值衰减方式及步长、迭代次数控制等关键环节进行了改进，进一步简化了网络模型，使其更适合于图像处理。并针对低对比度、背景连续变化环境下的空中扩展目标检测问题，应用反色处理，并采用最大直线轮廓点数方法，确定其最佳迭代次数和分割结果，实现目标的自动检测。仿真实验结果表明，该方法能清晰完整地保留目标轮廓，有效检测出复杂背景下的空中扩展目标。