摘要：在图像去噪过程中,大部分基于偏微分方程的各向异性扩散模型均使用梯度信息检测边缘,当边缘部分被噪声严重污染时,这些方法不能有效检测出这些边缘,因而无法保留边缘特征.为了较完整的保留图像的区域信息,用脉冲耦合神经网络(PCNN)能使具有相似输入的神经元同时产生脉冲的性质对噪声图像做处理,得到图像熵序列,并将图像熵序列作为边缘检测算子引入到扩散方程中,不仅能克服仅用梯度作为边缘检测算子易受噪声影响的弊端,而且能较完整地保留图像的区域信息.然后,用最小交叉熵准则搜索使去噪前后图像信息量差异最小的阈值,设计最佳阈值控制扩散强度,建立基于脉冲耦合神经网络与图像熵改进的各向异性扩散模型(PCNN-IEAD).分析与仿真结果表明,该模型与经典模型相比,保留了更多的图像信息,能够兼顾去除图像的噪声和保护图像的边缘纹理等细节信息,较完整的保留了图像的区域信息,性能指标同样也证实了新模型的优越性.另外,该模型的运行时间较经典模型的短,因此,该模型是一个理想的模型.