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。