为了解决方向对纹理图像细节增强的限制问题，提出一种融合小波变换与改进脉冲耦合神经网络（PCNN）的图像增强算法。该算法首先对图像进行二维离散小波变换，提取图像的高频分量图。然后将图像像素的局部梯度值作为链接强度系数，在动态阈值函数中加入侧抑制信号来改进脉冲耦合神经网络；并用改进的脉冲耦合神经网络对高频分量图进行增强。最后使用中值滤波对小波重构后的图像进行非线性平滑，实现纹理图像细节的增强。实验结果表明，该算法能够有效地减少图像细节增强时方向的限制。增强后，纹理图像的细节更加丰富，整体对比度也有一定的提高。

提出了一种新的基于非下采样轮廓波（NSCT）和脉冲耦合神经网络（PCNN）相结合的自适应图像融合方法，对已经配准的源图像进行NSCT分解，得到低频子带系数和不同方向的高频子带系数，对NSCT分解的低频部分采用简单的加权平均融合规则；而高通子带系数，采用改进的拉普.斯能量作为PCNN链接强度的方法.最后，对融合的系数进行NSCT逆变换得到融合图像.实验结果表明，本文算法明显优于其他几种方法，具有更好的融合性能，清晰度更高，是一种可行、有效的图像融合方法，

PCNN（脉冲神经网络）的工具箱，附实例

脉冲耦合神经网络是Eckhorn于20世纪90年代开始提出的一种基于猫的视觉原理构建的简化 神经网络模型 。 脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）与传统神经网络相比，有着根本的不同。 PCNN有生物学的背景，它是依据猫、猴等动物的大脑皮层上的同步脉冲发放现象提出的。

图像处理中，PCNN分割算法，有图像，效果不错，值得借鉴！

基于PCNN脉冲耦合神经网络的图像分割的MATLAB仿真+含代码操作演示视频+参考文献资料 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

脉冲耦合神经网络(PCNN)模型在数字图像处理中有着广泛应用,但基本都是从网络的外在特性出发并结合一定的实际应用对其进行研究和改进,缺乏对模型本身数学特性的分析.本文从PCNN模型的迭代方程出发,对无耦合连接和耦合连接两种状态下的PCNN数学模型进行了点火机理分析,揭示了PCNN模型本身的数学耦合特性(点火阶梯)以及其对网络生物学特性(脉冲发放特性)会造成干扰和影响的现象,并分析了这种干扰和影响产生的机理和消除方法,同时提出PCNN用于图像分割时参数自适应设定的方法.最后给出了更能体现神经网络生物学特性的PCNN改进模型,将其用于Lena等图像的分割处理中,取得了良好的效果.

基于自适应区域相关异构PCNN的图像量化新方法

基于PCNN卷积神经网络的图像去噪仿真 X1=(double(imread('2.bmp'))); X = X1(:,:,2); figure; imshow((X),[]); Weight=[0.5 1 0.5;1 0 1;0.5 1 0.5];%3*3临近神经元连接权重矩阵 Beta = 0.1;%连接强度常数 Yuzhi = 256; Decay = 0.1;%衰减时间常数 [a,b]=size(X); Threshold = zeros(a,b);%神经元阈值矩阵 S= zeros(a+2,b+2);%用于存储邻近神经元的输出 B= zeros(a,b);%标记样板,表明该PIXEL是否被激活过 Y=zeros(a,b);%结果矩阵 T=zeros(a,b); Edge= zeros(a,b);%边缘图 n=1;

基于PCNN的图像去噪，边缘检测，图像分割matlab应用程序，绝对好使哦。