研究表明,大脑皮层视觉区域神经元是通过神经振荡来完成信息的接收、传递、发送以及表达,这说明认知功能是通过大脑神经元之间的振荡同步过程实现的。特征表现为大脑皮层不同区域中神经元同相活动的编码,换句话说,同步的神经元集合编码了对象的一个特征。因此,与以感知器和激活函数为基本单元的一、二代人工神经网络相比,第三代人工神经网络—神经振荡网络以振子为基本计算单元,这种方式更加符合神经元的生理和功能结构,被广泛地应用在图像处理领域。Kuramoto模型作为一种典型的神经振荡网络,凭借便捷的构建方式和“同步”现象,在复杂网络、聚类、图像处理等领域都占有一席之地。尤其引人注目的一点是Kuramoto模型在演化过程中凭借简单的耦合关系能对具备相似特征的数据点进行归类,进而获得数据中类别的个数。但是因为其物理机制是建立在相位振荡的基础上,在处理复杂图像时其相位会连续分布在[0,2?]范围内,无法给出明确的类别标签;同时,这种相位振荡机制未考虑像素之间的空间关系,导致其在复杂图像分割上效果并不理想。针对上述问题,本文扩展和改进了Kuramoto模型,提出了两种无监督的多目标图像分割方法,这两种方法可用于彩色图像分割:1)本文提出了一种基于聚类和局部化Kuramoto模型的图像分割方法。针对Kuramoto模型应用于图像分割时相似矩阵计算量大,且未考虑像素空间邻接关系的问题。本方法在保持像素之间耦合关系的基础上,通过局部化减少相似矩阵的计算开销;引入聚类方法,根据相位图对像素点进行自动分类,进而获得图像分割结果。本方法通过局部化策略改进了Kuromoto模型,并结合聚类方法实现了彩色图像中多目标的无监督分割。2)本文提出一种基于主动轮廓和Kuramoto模型的图像分割方法。针对Kuramoto模型未考虑待分割目标几何特征的问题,本方法在Kuromoto模型的能量泛函中引入长度项和区域平滑项,以约束相位图的生成;在相位图上应用主动轮廓模型,通过曲线演化保持目标几何特性,精确提取待分割目标边缘。本方法通过在能量泛函中引入待分割目标的几何约束改进了Kuramoto模型,并采用主动轮廓模型精确提取目标边缘,实现了彩色图像中的多目标分割。综上所述,本文改进和扩展了Kuramoto模型,并将其与聚类方法和主动轮廓模型结合实现了彩色图像中的多目标分割,对推动该模型在图像处理和分析领域中的应用具有积极的意义。