張 淼，歐幸福，唐雄民，陳文鳳

ZHANG Miao,OU Xingfu,TANG Xiongmin,CHEN Wenfeng

廣東工業(yè)大學 自動化學院，廣州 510006

School of Automation,Guangdong University of Technology,Guangzhou 510006,China

1 引言

金屬拉鏈在生產(chǎn)過程中，常出現(xiàn)拉鏈鏈齒、拉頭和限位碼缺失等瑕疵。目前該產(chǎn)品的外觀質(zhì)量檢測主要由人工方法完成。人工檢驗方法一方面，檢測效率低，成本高，工人勞動強度大；另一方面，人為因素影響很大，易造成員工疲勞，直接影響了產(chǎn)品檢驗的可靠性，產(chǎn)品品質(zhì)的檢測穩(wěn)定性較差、效率低，制約了拉鏈行業(yè)的發(fā)展。改進生產(chǎn)工藝，提高效率，降低產(chǎn)品的生產(chǎn)成本，實現(xiàn)產(chǎn)業(yè)技術(shù)的升級，成為行業(yè)發(fā)展的迫切需要。

目前數(shù)字圖像處理技術(shù)已被廣泛應用于生產(chǎn)過程中，將數(shù)字圖像處理技術(shù)應用到金屬拉鏈外觀質(zhì)量檢測領(lǐng)域也得到國內(nèi)外研究人員的廣泛關(guān)注?，F(xiàn)今采用圖像處理對金屬拉鏈進行缺陷檢測的研究，主要集中在金屬拉鏈齒數(shù)檢測方面[1-2]，對金屬拉鏈外觀質(zhì)量檢測的研究較少。

如何提取拉鏈特征圖像是拉鏈外觀質(zhì)量檢測系統(tǒng)的關(guān)鍵，傳統(tǒng)的圖像分割算法如OTSU法和直方圖法依賴于灰度統(tǒng)計，忽略像素的空間關(guān)系，容易造成圖像信息丟失，拉鏈特征圖像提取效果較差。PCNN網(wǎng)絡(luò)是一種模擬動物大腦視覺皮層的同步發(fā)放脈沖特性的人工神經(jīng)元模型，具有良好的尺度、旋轉(zhuǎn)、變形和強度不變性的特征，因而被廣泛運用于圖像處理領(lǐng)域。如文獻[3]采用改進型PCNN實現(xiàn)對織物疵點檢測，文獻[4]運用改進型PCNN實現(xiàn)智能燈檢機的研制，文獻[5]將PCNN與最大相關(guān)準則結(jié)合運用于圖像分割的研究，文獻[6]應用PCNN實現(xiàn)對刀具磨損的檢測等，實踐證明運用PCNN實現(xiàn)圖像二值分割，明顯優(yōu)于傳統(tǒng)方法。而國內(nèi)外將PCNN運用于金屬拉鏈缺陷的外觀質(zhì)量檢測的研究尚未見報道。

針對金屬拉鏈的特點和PCNN網(wǎng)絡(luò)的工作機理，本文在傳統(tǒng)神經(jīng)網(wǎng)路的基礎(chǔ)上提出一種改進型PCNN模型和灰度躍變檢測相結(jié)合的圖像處理方法，實現(xiàn)對拉鏈外觀質(zhì)量檢驗。利用PCNN的同步脈沖發(fā)放特性分割獲得鏈齒圖像，并結(jié)合PCNN的形態(tài)學運用提取拉頭和限位碼圖像，建立金屬拉鏈的判別模型，運用區(qū)域像素統(tǒng)計與灰度躍變檢測的方法實現(xiàn)對拉鏈外觀質(zhì)量的鑒別。實驗結(jié)果表明該方法是可行的。

2 PCNN網(wǎng)絡(luò)模型

2.1 傳統(tǒng)PCNN模型

由Eckhorn提出的PCNN網(wǎng)絡(luò)模型是由若干神經(jīng)元相互連接組成的單層反饋型網(wǎng)絡(luò)，單個神經(jīng)元模型由接收域、耦合調(diào)制域和脈沖發(fā)生器三個功能單元構(gòu)成[7-8]，如圖1所示。

圖1 PCNN模型結(jié)構(gòu)

PCNN數(shù)學模型為：

其中，i、j下標為神經(jīng)元的標號，n為迭代次數(shù)，Iij為神經(jīng)元的外部刺激，F(xiàn)ij[n]是第[i,j]個神經(jīng)元的反饋輸入，Lij[n]為連接輸入項，Eij[n]為動態(tài)閾值函數(shù)，VF、VL、VE分別是 Fij[n]、Lij[n]、Eij[n]的放大系數(shù)，αF、αL、αE為相應的衰減時間常數(shù)，滿足αF＜αE＜αL，β為連接系數(shù)，W 和M 是鏈接權(quán)重矩陣，Yij[n]為神經(jīng)元第n次輸出結(jié)果。

PCNN運用于圖像處理時，將PCNN網(wǎng)絡(luò)中的神經(jīng)元與圖像像素分別對應，初始時刻將Fij[0]、Lij[0]、Eij[0]、Yij[0]均設(shè)置為0，所有神經(jīng)元Nij沒有輸入，神經(jīng)元之間未建立耦合關(guān)系，動態(tài)閾值為0。網(wǎng)絡(luò)進行迭代時，像素的灰度值 Iij作為神經(jīng)元 Nij的反饋輸入Fij[1]，Lij[1]仍然為0，Uij[1]=Iij＞Eij[1]=0，輸出 Yij[1]=1，該神經(jīng)元發(fā)生自然點火。一旦神經(jīng)元點火，其動態(tài)閾值Eij[n]將急劇增大，并以時間指數(shù)衰減，脈沖產(chǎn)生器關(guān)閉，不發(fā)出脈沖。當閾值Eij[n]小于Uij[n]時，脈沖產(chǎn)生器啟動，神經(jīng)元再次被點火，輸出結(jié)果Yij[n]為1[9]。

2.2 改進型PCNN網(wǎng)絡(luò)模型

金屬拉鏈由布帶、鏈齒、拉頭、限位碼構(gòu)成，其中鏈齒、拉頭和限位碼為金屬材料，金屬材料與拉鏈布帶、背景三者顏色反差較大。缺陷類型主要有鏈齒缺失、間隔不均，拉頭、左右限位碼缺失等，如圖2所示。

圖2 合格拉鏈產(chǎn)品圖

上述金屬拉鏈圖像不同材質(zhì)之間灰度相差較大，金屬部分各像素之間灰度性質(zhì)相近，運用PCNN的同步脈沖發(fā)放特性能很好地分割目標圖像。但傳統(tǒng)PCNN模型一方面過于復雜，需要設(shè)置的相關(guān)參數(shù)過多，另一方面計算量較大，速度慢，難以滿足拉鏈檢測過程的需要。針對上述特點，本文對PCNN模型進行簡化。簡化原則是減少模型參數(shù)且保持模型實現(xiàn)圖像分割的三個重要特性：（1）連接域特性，性質(zhì)相近的神經(jīng)元集群可輸出同步脈沖；（2）內(nèi)部活動項由反饋輸入和鏈接輸入經(jīng)過調(diào)制產(chǎn)生，調(diào)節(jié)連接強度可調(diào)節(jié)神經(jīng)元與其領(lǐng)域內(nèi)神經(jīng)元的影響強度；（3）閾值函數(shù)具有動態(tài)衰減特性，是神經(jīng)元產(chǎn)生動態(tài)脈沖的根本原因。

因此，在實際系統(tǒng)中，神經(jīng)元的反饋輸入Fij[n]為拉鏈圖像像素的灰度值Iij，連接輸入Lij[n]為鄰近神經(jīng)元的脈沖輸出值直接加權(quán)求和，忽略神經(jīng)元上次迭代的連接輸入Lij[n-1]的影響，內(nèi)部活動項Uij[n]保持不變，ξ為 -100至10的常數(shù)，可對神經(jīng)元點火條件進行微調(diào)。改進型模型如圖3所示。

圖3 改進型PCNN模型圖

改進型PCNN數(shù)學模型如下：

3 金屬拉鏈缺陷檢測算法

3.1 基于改進型PCNN的圖像分割

PCNN分割圖像，通?；叶戎递^大的鏈齒部位像素對應的神經(jīng)元先點火，發(fā)出脈沖信號。神經(jīng)元的點火導致鄰近具有相似灰度值的像素相對應的神經(jīng)元捕獲點火；鄰近神經(jīng)元的點火又捕獲其周圍性質(zhì)相似的神經(jīng)元點火，通過這種捕獲點火的傳播，使該區(qū)域內(nèi)像素點灰度值相似的神經(jīng)元集群發(fā)出同步脈沖。利用PCNN脈沖的這種傳播特性即可實現(xiàn)圖像的分割[10]。

3.2 拉頭和限位碼的提取

通常拉頭和左右限位碼的像素面積要遠大于普通鏈齒的像素面積，因而可運用PCNN的自動波特性模擬形態(tài)學的腐蝕膨脹操作，在纖細點分離拉鏈的鏈齒，腐蝕像素面積較小的普通鏈齒部分，保留面積較大的拉頭和左右限位碼，并去除干擾噪聲，最后運用膨脹操作還原拉頭和左右限位碼的原始大小和形狀。

將圖像進行灰度反轉(zhuǎn)運算，背景區(qū)域?qū)纳窠?jīng)元最先點火，通過捕獲點火使得目標區(qū)域的神經(jīng)元點火，并保持點火狀態(tài)，發(fā)放出脈沖，隨著迭代持續(xù)脈沖在整幅圖像中依次并行向外傳播，目標不斷收縮。將僅保留拉頭和左右限位碼的結(jié)果圖像進行反轉(zhuǎn)運算，實現(xiàn)對鏈齒的腐蝕操作。在此基礎(chǔ)上，利用相似方法實現(xiàn)拉頭和限位碼的輪廓和面積還原[11-12]。

3.3 拉頭和限位碼缺失檢測和定位

針對拉鏈特點，本文采用計算區(qū)域像素面積和形心來完成拉頭和限位碼缺失檢測和定位。根據(jù)拉頭、限位碼在視野區(qū)域中的位置在圖像中設(shè)置三個檢測區(qū)域，分別計算拉頭和左右限位碼相應區(qū)域內(nèi)的像素面積，根據(jù)各個區(qū)域的像素面積是否大于預設(shè)閾值，判斷相應區(qū)域內(nèi)是否存在相應部件。通過區(qū)域形心計算得到拉頭和左右限位碼的坐標。計算公式如下：

其中x、y分別為像素坐標值，A為圖像像素點的個數(shù)。

3.4 金屬鏈齒灰度躍變檢測

根據(jù)垂直于邊緣方向的像素值變化劇烈的原理，可通過檢測沿拉鏈水平方向的像素灰度值躍變程度來確定邊緣位置，進而確定每個鏈齒的準確坐標。

邊緣的灰度躍變程度可用變化梯度來描述，拉鏈圖像函數(shù) f(x，y)的變化梯度可表示為：

針對鏈齒沿邊緣方向的圖像灰度變化較小和圖像離散性的特點，取Gy=0，式（12）可簡化為：

其中 Ii，j為 [i，j]處像素的灰度值。

根據(jù)上述拉頭和左限位碼的區(qū)域形心定位獲得的精確坐標，以左限位碼為起始點，拉頭為終止點設(shè)置掃描基準，沿掃描基準遍歷所有像素，用后一像素的灰度值減去前一像素的灰度值 ΔIi=Ii+1，j-Ii，j，得到灰度變化程度ΔIi，若ΔIi大于預設(shè)閾值T，則該像素[i，j]處發(fā)生灰度值躍變，該點為鏈齒邊緣，記錄其坐標值；計算兩個相鄰邊緣點的距離Di，通過判斷Di是否大于預設(shè)閾值T實現(xiàn)對鏈齒缺陷檢測。開叉部分的鏈齒缺陷方法類似。鏈齒灰度躍變檢測算法原理如圖4所示。

圖4 鏈齒缺陷檢測原理圖

其中i為掃描基準上各像素點的灰度，i′為灰度變化程度。

3.5 檢測算法流程

金屬拉鏈缺陷檢測算法包括對上述缺陷類型的檢測，算法流程圖如圖5所示。具體步驟如下：

（1）從圖像傳感器中獲取拉鏈圖像，進行預處理；

（2）運用改進型PCNN算法對圖像進行分割，提取鏈齒圖像并進行灰度線性轉(zhuǎn)換；

（3）利用PCNN對鏈齒圖像進行腐蝕膨脹操作，腐蝕普通鏈齒部分，去除干擾噪聲，保留拉頭和左右限位碼；

（4）分別統(tǒng)計計算拉頭、左右限位碼區(qū)域內(nèi)的斑點面積和形心坐標；

（5）判斷三個區(qū)域的斑點面積是否小于預設(shè)閾值，若是則輸出相關(guān)部件的缺陷信號；

（6）由拉頭和左限位碼的坐標關(guān)系，將圖像旋轉(zhuǎn)至水平；

（7）設(shè)置檢測基準和方向，分別對鏈齒的拉合和開叉部分進行灰度躍變檢測，獲取鏈齒邊緣坐標，根據(jù)兩個相鄰鏈齒邊緣的間隔距離判斷是否存在缺陷。

圖5 檢測算法流程

4 缺陷檢測系統(tǒng)硬件設(shè)計

4.1 系統(tǒng)設(shè)計

針對上述拉鏈缺陷的檢測方法和拉鏈生產(chǎn)線的工作特點，本文設(shè)計了金屬拉鏈產(chǎn)品的在線缺陷檢測系統(tǒng)。運用CCD工業(yè)相機獲取生產(chǎn)線上每條拉鏈的灰度圖像，使用上述圖像處理技術(shù)和缺陷識別算法對產(chǎn)品進行檢驗，并向后續(xù)分揀機構(gòu)輸出相應操作指令。

硬件平臺主要包括：定位傳感器、圖像傳感器、光源密閉箱、傳送皮帶、分揀裝置、PLC控制單元和工控機。其中圖像傳感器采用德國映美精公司的DMK21-AU04面陣式CCD工業(yè)相機，分辨率為640×480，配備9 mm的Computar鏡頭，背景光源裝置使用奧普特OPT-LI29026白色條形光源，PLC使用三菱公司的FX1S-10MT-001，顯示平臺為Visual Studio 2008。CCD工業(yè)相機通過USB2.0接口與工控機連接。金屬拉鏈缺陷檢測系統(tǒng)硬件設(shè)計構(gòu)成框圖如圖6所示。

圖6 檢測系統(tǒng)結(jié)構(gòu)

4.2 參數(shù)選擇

PCNN中神經(jīng)元只與歐氏距離小于等于3的相鄰神經(jīng)元鏈接，連接權(quán)由W 和M 決定，W、M 的大小和結(jié)構(gòu)影響自動波的傳播速度、方向和波陣面的形態(tài)；參數(shù)β的大小決定神經(jīng)元與其領(lǐng)域內(nèi)神經(jīng)元的影響強度，使用較小的β可分割獲取包含圖像細節(jié)的二值圖，而選取較大的β能得到圖像輪廓的二值圖；參數(shù)ξ能對閾值進行微調(diào)，較小的值能使分割的結(jié)果圖像細節(jié)更加豐富，鏈齒更加完整，但容易被背景環(huán)境噪聲干擾。顯然，網(wǎng)絡(luò)中的參數(shù)直接確定了系統(tǒng)的工作性能。

5 實驗結(jié)果及分析

5.1 鏈齒圖像的分割

取曝光時間為920 μs，采用上述改進型PCNN對獲得拉鏈圖像進行二值分割。其中加權(quán)參數(shù)向量W=[0.707 1 0.707；1 0 1；0.707 1 0.707]，迭代次數(shù) n=2；PCNN的其他參數(shù)通過遺傳算法來獲取。遺傳算法采用8位二進制數(shù)編碼，參數(shù)設(shè)置如下：總代數(shù)為50，種群數(shù)為20，交叉率為0.65，變異率為0.01；適用度函數(shù)采用圖像信息熵函數(shù)法[13]，表達式如下：

其中 p0、p1分別為輸出序列Yij[n]中灰度為0、1的概率。

在主頻2.59 GHz，內(nèi)存2 GB的PC機上，運用Matlab7.0平臺對算法進行多次實驗，算法通常在進化到四至五代可獲取最佳分割效果圖。獲取的PCNN參數(shù)如下：β=0.2，αE=0.1，ξ=5。二值分割后的結(jié)果如圖7（b）所示。

圖7 原始圖像及二值分割圖

而采用傳統(tǒng)的直方圖法和OTSU法來分割金屬拉鏈圖，人工選擇灰度直方圖的雙峰之間的谷底灰度值作為最佳分割閾值，大小為161，OTSU算法自動獲取的閾值為0.481 2（即128），分割結(jié)果如圖8所示。

圖8 由傳統(tǒng)分割算法獲得的二值圖

使用傳統(tǒng)的直方圖分割法和采用計算類間方差的OTSU法，閾值的確定主要依賴于灰度直方圖，忽略像素的空間位置關(guān)系，容易受背景噪聲干擾，均不能準確分割出鏈齒部分；而基于改進型PCNN的二值分割算法能夠更好地區(qū)分圖像的背景和目標對象。由圖7和圖8對比可知，基于改進型PCNN的二值分割算法分割效果明顯優(yōu)于傳統(tǒng)的閾值分割方法。

5.2 左右限位碼和拉頭的提取

在圖7的基礎(chǔ)上，運用PCNN對圖像進行腐蝕膨脹運算，腐蝕掉普通鏈齒部分，去除干擾噪聲，結(jié)果如圖9（a）所示，然后進行膨脹運算，恢復拉頭和左右限位碼的原始形狀，提取得到拉頭和左右限位碼的目標圖像，結(jié)果如圖9（b）所示。具體參數(shù)如下：W=M=[1 1 1;1 1 1;1 1 1];VL=1；VF=0.01；VE=0.02；β=0.5；αE=0.1；αF=5；αL=2；迭代次數(shù) n=3。

圖9 由PCNN腐蝕、膨脹后的圖像

使用半徑為3和4的平面圓盤形結(jié)構(gòu)元素分別對鏈齒圖像進行腐蝕運算，提取拉頭和左右限位碼，處理結(jié)果如圖10所示。

圖10 由傳統(tǒng)數(shù)學形態(tài)學的腐蝕結(jié)果圖

由圖10（a）可知，拉鏈拉合部分鏈齒沒有被完全腐蝕，而圖10（b）中右限位碼被完全腐蝕。與PCNN處理結(jié)果相比，傳統(tǒng)數(shù)學形態(tài)學的腐蝕算法是以結(jié)構(gòu)元素集合運算為基礎(chǔ)，處理結(jié)果取決于結(jié)構(gòu)元素。結(jié)構(gòu)元素選擇不合理會導致上述缺點，而利用PCNN的自動波特性模擬腐蝕運算能有效提取目標。

5.3 限位碼和拉頭的缺失檢測

對上述運算結(jié)果圖9（b）進行區(qū)域像素面積和形心計算，分別統(tǒng)計三個目標區(qū)域內(nèi)的像素數(shù)量，結(jié)果分別為157、725和34，均大于預設(shè)閾值100、400和10，得到左限位碼坐標為（188，262）、拉頭坐標為（359，252）和右限位碼坐標為（480，216），左限位碼、拉頭與水平軸的夾角為3.35°，以拉頭為旋轉(zhuǎn)中心將圖7（b）順時針旋轉(zhuǎn)3.35°至水平位置。若目標區(qū)域不存在拉頭或左右限位碼，則該產(chǎn)品為次品，如圖11所示。

圖11 限位碼、拉頭缺陷檢測圖

5.4 鏈齒缺陷檢測

在限位碼和拉頭確認的基礎(chǔ)上，對圖7（b）運用灰度躍變的方法來獲取拉合部分的鏈齒邊緣坐標，記錄鏈齒個數(shù)為20個，并計算每兩個鏈齒的間隔距離，其中相鄰兩個鏈齒間隔距離為6、7和8個像素的數(shù)量分別為11、7和1，按照設(shè)計要求設(shè)定間隔距離閾值為10個像素，則說明該拉鏈拉合部分不存在缺陷情況。圖12下圖為沿掃描基準的灰度變化及灰度變化導數(shù)圖。

圖12 拉合部分鏈齒缺陷檢測

其中直線為閾值，淺色曲線為沿掃描線上像素灰度變化曲線，灰度值范圍是0至255，深色曲線為灰度導數(shù)曲線，導數(shù)范圍是0至1，其數(shù)值放大255倍后變化范圍為0至255，下同。

同理得到鏈齒開叉部分的檢測情況，檢測到鏈齒個數(shù)為16個，間隔距離為6、7和8的數(shù)量分別為8、6、1，則不存在缺陷情況，如圖13所示。使用相似方法完成其余鏈齒部分的檢測，根據(jù)全部檢測結(jié)果，判定該金屬拉鏈產(chǎn)品為合格產(chǎn)品。

圖13 開叉部分鏈齒缺陷檢測

拉合部分缺齒情況檢測如圖14所示，經(jīng)上述算法檢測，拉頭和左右限位碼均存在，檢測到鏈齒個數(shù)為22個，兩個相鄰鏈齒最大間隔距離為13，大于預設(shè)閾值10，則該產(chǎn)品為次品。

圖14 拉鏈拉合部分鏈齒缺陷檢測

同理開叉部分缺齒檢測情況如圖15所示，圖中出現(xiàn)兩個相鄰鏈齒間隔距離為14，大于預設(shè)閾值10，因而認定該產(chǎn)品為次品。

圖15 拉鏈開叉部分鏈齒缺陷檢測

通過對2 000條金屬拉鏈進行檢驗，可得產(chǎn)品檢驗的出錯率為0.5%，所出現(xiàn)的錯判現(xiàn)象全部為合格產(chǎn)品被誤判為次品，系統(tǒng)可滿足生產(chǎn)的需要。

6 結(jié)束語

本文根據(jù)金屬拉鏈特點提出了一種基于改進型PCNN的金屬拉鏈缺陷檢測方法，利用改進型PCNN獲取金屬拉鏈的二值分割圖，提高系統(tǒng)速度，通過PCNN的數(shù)學形態(tài)學運用完成對拉頭和限位碼的提取，根據(jù)鏈齒灰度躍變的特性完成鏈齒缺陷檢測。并設(shè)計了金屬拉鏈自動檢測系統(tǒng)，解決了現(xiàn)有人工檢測方法存在的穩(wěn)定性差、效率低和不能持久工作等問題，實現(xiàn)了金屬拉鏈缺陷的在線檢測。從實驗結(jié)果來看，該方法能有效實現(xiàn)對金屬拉鏈的檢測，滿足生產(chǎn)的需求。

[1]程西云，張婕敏.圖像處理技術(shù)在拉鏈齒數(shù)檢測中的研究[J].汕頭大學學報：自然科學版，2006，21（1）：65-69.

[2]楊智勇，周琪云，周定康.基于PCNN的灰度圖像邊緣檢測方法[J].計算機工程與應用，2004，40（21）：92-93.

[3]宋寅卯，袁端磊，盧易楓，等.基于最優(yōu)PCNN模型的織物疵點自動檢測[J].儀器儀表學報，2008，29（4）：888-891.

[4]葛繼，王耀南，張輝，等.基于改進型PCNN的智能燈檢測機研究[J].儀器儀表學報，2009，30（9）：1866-1873.

[5]聶仁燦，李莎，聶彩仁.脈沖耦合神經(jīng)網(wǎng)絡(luò)與最大相關(guān)準則的圖像分割[J].計算機工程與應用，2009，45（35）：202-204.

[6]李鵬陽，郝重陽，祝雙武，等.基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的刀具磨損檢測[J].中國機械工程，2008，19（5）：547-550.

[7]Eckhorn R，Reitboeck H J，Ardnt M.Feature linking via synchronization among distributed assemblies：simulation of results from cat visual cortex[J].Neural Computation，1990，2（3）：293-307.

[8]Kuntimad G，Ranganath H S.Perfect image segmentation using Pulse Coupled Neural Networks[J].IEEE Transactions on Neural Networks，1999，10（3）：591-598.

[9]黃傳明，方千山.脈沖耦合神經(jīng)網(wǎng)絡(luò)在圖像處理中的應用[J].儀器儀表學報，2006，27（S3）：2143-2144.

[10]Ma Yide，Dai Ruolang，Li Lian.A counting and segmentation method of blood cell image with logical and morphological feature of cell[J].Chinese Journal of Electronics，2002，11（1）：53-55.

[11]Su Maojun，Wang Zhaobin，Zhang Hongjuan，et al.A new method for blood cell image segmentation and counting based on PCNN and its autowave[C]//2008 IEEE 3rd International Symposium on Communications，Control and Signal Processing，2008：6-9.

[12]Li Bailiang，Xu Dacheng.Binary fingerprint image thinning using template-based PCNN[J].IEEE Transactions on Systems，Man，and Cybernetics，2007，37（5）：1407-1413.

[13]馬義德，戴若蘭，李廉.一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和圖像熵的自動圖像分割方法[J].通信學報，2002，23（1）：1-4.