一． 选题背景与意义：
图像分割是一种将图像依照色彩，灰度，纹理和形状等特点进行划分成几个个互不交叠的区域，同时使这些特征在同一区域内表现相似性，在不同的区域之间显现明显的差异性，从而可以将分割的图像中具有独特性的区域提取出来，用于不同的研究。正确的图像分割是进行后续图像分析的基础，因此图像分割对于图像处理有着关键的作用。
脉冲耦合神经网络（Pulse Coupled Neural Network ,PCNN）用于图像分割时可以较好地处理图像目标和背景区域之间有重叠部分的情况，同时能忽略同一区域内像素间较小的灰度差异并弥补同一区域内的空间间隙[1],故基于PCNN的图像分割结果远优于传统方法。最大类间方差法（OTSU）是日本学者大津于1979年提出的基于灰度图像一维直方图实验的，而二维的OTSU算法在此基础上引入了邻域均值平滑图像一起组成灰度图像二维直方图，大幅度提高了图像分割过程的抗噪性。因此，基于OTSU算法和PCNN模型的图像分割算法具有良好的研究前景和研究意义。
二．拟解决的问题
1990年，通过研究猫狗等哺乳动物的大脑视觉皮层神经元受到刺激后产生的生物振荡现象，Eckhom和Johnson等学者由此建立了一种能够表达这种特殊的生物神经元产生的振荡现象的数学模型，即PCNN 模型[3]。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。但是，由于PCNN网络参数众多并且各参数之间相关性较高，只有多次调试才可能提高参数的准确性，这降低了PCNN模型的普适性。在最大类间方差（OTSU）法的判别式中的判断因子（例如图像灰度和图像的对比度[2]）通过数学运算能够判断出PCNN模型停止迭代的时间，减少重复工作量，提高图像分割的效率与质量。本课题拟通过研究PCNN模型和OTSU算法的原理后，将最大类间方差法更好的与PCNN模型结合，降低模型的运算复杂度，提高图像分割质量，使其能更好地应用到图像分割等领域。
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，掌握图像处理算法发展历程与设计原理，其中重点搜集和分析研究各种图像分割有关的文献资料，选取基于PCNN和采用OTSU的算法进行研究。
2. 实验验证PCNN模型的缺点
对PCNN模型进行深入研究，同时通过大量实验验证该算法的处理效果，并结合理论对处理效果进行分析，总结其存在的缺陷。
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。
