随着人工智能的飞速发展，计算机视觉领域对图像的分类任务不仅仅限于识别出物体的大类，更需要对同一类别的图像进行更加细致的子类划分。为了有效区分出类间的微小差异以及减少背景因素的干扰，提出了一种基于AABP的细粒度分类算法。首先，通过Inception V3预训练模型提取全局图像特征，并利用深度可分离卷积在特征映射上预测出局部注意力区域；然后，应用弱监督数据增强网络（WS-DAN）的算法将增强后的图像反馈回网络中，以此加强网络的泛化能力，防止过拟合；最后，将进一步提取的注意力特征区域在AABP网络中进行线性融合，以提升分类的精度。实验结果表明，该算法在数据集CUB-200-2011上达到88.51%的准确率、97.65%的top5准确率，在Stanford Cars数据集上到89.77%的准确率、99.27%的top5准确率，在FGVC-Aircraft数据集上到93.5%的准确率、97.96%的top5准确率。

针对图像中同时存在椒盐噪声和高斯噪声,提出一种基于灰度极限和脉冲耦合神经网络(PCNN)滤除混合噪声的新方法。首先,根据灰度极值定位出椒盐噪声点;其次,在滤波窗口中对椒盐噪声点进行均值滤波;然后,利用PCNN赋时矩阵定位出高斯噪声点;最后,自适应调整可变灰度步长,选择不同滤波方法滤除高斯噪声。实验结果表明提出的算法较常见的混合噪声滤波方法在主观滤波效果和客观评价指标峰值信噪比(PSNR)及信噪比改善因子(ISNR)两方面均有明显的优势。

为有效分割图像,提出了灰度迭代阈值脉冲耦合神经网络(GIT-PCNN)。GIT-PCNN简化了传统PCNN模型,将其指数衰减的阈值改进为图像的灰度迭代阈值。GIT-PCNN分割图像时无需进行参数和循环次数选择,也无需使用特定原则确定循环结束条件,一次点火过程完成分割。GIT-PCNN分割图像时充分利用了图像的灰度信息和PCNN特有的空间邻近及像素灰度值相似集群发放脉冲提供的图像局部位置信息。实验结果表明,GIT-PCNN在主观及客观的分割性能和速度上均优于经典的PCNN分割方法。

为有效滤除灰度图像中的椒盐噪声并保留图像的边缘及细节信息，提出一种简化的阈值单向衰减脉冲耦合神经网络(PCNN)点火矩阵自适应图像滤波方法，简化的PCNN结构减少了所需参数并提高了运算速度。该方法通过对PCNN点火矩阵的分析，定位出被噪声污染的像素，只对噪声像素进行滤波，因而有效地保留了图像的细节信息；并根据椒盐噪声的特点，动态估计图像的噪声强度，自适应地选择滤波窗口的大小和滤波次数。实验结果表明提出方法较常见的图像降噪方法在滤波效果、自适应性及保留图像细节方面有明显的优势。