1.阵列级联FHN模型随机共振机制的二值图像增强方法,其特征在于该方法包括如下步骤:步骤(1)对含噪的二值图像分别进行0°、90°、180°和270°四路Hilbert扫描,降维为四路一维信号序列;
步骤(2)对四路一维信号序列进行灰度映射,调整为-128和127两值的四路一维信号序列;
步骤(3)将灰度映射后的四路一维信号序列分别输入阵列并联FHN神经元模型中,得到相应的四路输出序列;
步骤(4)分别调节四路阵列并联FHN神经元模型的内噪声强度,使得阵列并联FHN神经元模型的输出序列达到最佳随机共振状态;
步骤(5)对四路最佳输出序列进行权值加和运算,重构成一路新的输出序列;
步骤(6)将重构后的新输出序列还原为二维信号;
步骤(7)对还原的二维信号分别运用行扫描和列扫描降维为两路一维信号;
步骤(8)将降维后的两路一维信号分别输入到级联串联FHN神经元模型中,得到相应的两路输出序列;
步骤(9)分别调节级联串联FHN神经元模型参数,使得级联串联FHN神经元模型的输出序列达到最佳随机共振状态;
步骤(10)将得到的最佳输出序列作为相应的增强信号序列,并将其恢复成二维信号;
步骤(11)将恢复后的两个二维信号输入判别器,对经过判别器判别后的结果进行二值化处理,其输出结果即为增强后的二值图像,判别器的判别准则为:对两个二维信号相应位置上的值进行比较,取两者中的较大值;二值化准则为:如果该较大值大于等于零,则赋值为255,否则赋值为0;最后得到的结果即为增强后的二值图像;
其中步骤(4)的具体方法为:计算阵列并联FHN神经元模型的互信息熵,当信息熵达到最大值时,固定对应的内噪声强度,此时的输出序列即为阵列并联FHN神经元模型的最佳输出序列;
其中步骤(9)的具体方法为:计算级联串联FHN神经元模型的互信息熵,当信息熵达到最大值时,固定对应的FHN神经元模型参数,此时的输出序列即为级联串联FHN神经元模型的最佳输出序列。