一种基于显著性融合的简化连续耦合神经网络的图像分割方法

本发明涉及图像分割领域，提出了一种用于模拟真实神经元的基于显著性融合的简化连续耦合神经网络模型(SaliencyFusion‑Based Simplified Continuous CoupledNeuralNetwork，SF‑SCCNN)的图像分割方法，并在MATLAB中实现了仿真实验。本发明构建的神经网络将融合的视觉显著性作为连续耦合神经网络的外部刺激，使神经网络具有与真实神经元更相似的动力学行为。证明了SF‑SCCNN对显著性高的区域更敏感，更容易产生脉冲输出。SF‑SCCNN模拟了人类视觉系统对显著特征的感知，增强了对图像中重要区域的识别能力。MATLAB分割实验结果表明，所提出的基于显著性融合的简化连续耦合神经网络的分割方法可以模拟HVS实现对物体进行识别分割。