简介概率细胞神经网络PCNN图像分割MATLAB程序包面向图像处理学习者与研究者用于解决目标区域自动分割问题。实际处理时原始图像先经过灰度化与归一化随后初始化各神经元阈值和连接权重网络迭代产生脉冲输出最终形成二值分割图该网络因具备并行运算、自启动、自稳定等特性已在医学影像分析、遥感地物识别、工业缺陷检测等场景广泛应用程序包以可直接运行的源码方式呈现降低了算法复现门槛。压缩包体积仅276KB共6个文件包含5个.m源码和1张jpg示例图源码按功能拆分为主程序、边缘判定、阈值分割、图像变换等独立模块便于按需阅读和修改。已有226人学习下载适合课程实验、论文复现或项目预研时作为基础参考对初学者而言这份完整代码比零散片段更容易上手能帮助快速建立从算法到实现的整体认识。使用者也可调整神经元阈值、连接权重等参数直观观察分割结果变化从而深入理解PCNN动态迭代原理与各模块作用。1. PCNN 图像分割程序包从点火时刻到区域边界PCNN概率细胞神经网络一类带脉冲点火机制的图像分割模型在分割里不依赖标注数据每个像素就是一个神经元靠阈值点火和邻域耦合把灰度相近的区域聚到相近的点火时刻。这份 PCNN.zip 的五个 m 文件恰好排成完整链路PCNN.m 主循环、yuzhifenge.m 阈值分割、judge_edge.m 边缘提取、Bianhuan.m 灰度变换、Jiabian.m 边界加边配一张 flower.jpg 直接复现。适合两类人一类是课程设计要复现经典分割算法需要能读懂改得动的 MATLAB 基线另一类是工程上做无监督预处理想对比 PCNN 和 U-Net 这类标注依赖型方案的成本。下面从递推方程开始拆。2. PCNN 神经元动力学馈送、链接、阈值三通道的相互作用2.1 离散递推方程与点火时间矩阵PCNN 的每个神经元在每一轮迭代里维护三组量馈送输入 F、链接输入 L 和动态阈值 Theta。F 承载图像本身的灰度刺激L 汇集周围神经元的点火信息Theta 则像一个不断泄压的弹簧——每轮按指数衰减一旦衰减到内部活动 U 之下神经元输出 1即完成一次点火然后阈值被 V_Theta 顶高进入不应期。标准离散递推在 MATLAB 里是这样的F S; % 馈送输入直接取归一化灰度 L L * exp(-alpha_L) V_L * conv2(Y, W, same); U F .* (1 beta .* L); % 内部活动由馈送和链接合成 Y double(U Theta); % 点火判决输出二值脉冲 Theta Theta * exp(-alpha_Theta) V_Theta .* Y;S是经过 Bianhuan 归一化后的灰度矩阵Y是上一轮的点火图W是链接权重核beta缩放邻域对内部活动的增益。注意conv2(Y, W, same)统计的是邻域点火总数而不是灰度卷积这是 PCNN 和普通卷积神经网络在信息流上的本质区别灰度信息通过 S 直接进入 F邻域信息通过点火脉冲间接调制 U。每个像素第一次点火对应的迭代序号组成点火时间矩阵 T。亮区 S 大U 更容易压过衰减中的阈值先点火T 值小暗区后点火甚至不点火T 值大。分割问题到这里就转化成了对 T 的阈值划分点火早的像素归一类点火晚的归另一类。yuzhifenge.m 干的就是这件事第三章单独分析。2.2 链接核 W 与 beta 的耦合半径W决定每个神经元能看见多远的邻域。常见取 3×3 或 5×5 的归一化核中心置 0W [0.07 0.1 0.07; 0.1 0 0.1; 0.07 0.1 0.07];中心为 0 是因为神经元不统计自身点火。核越大区域内部越容易同步点火分割结果越完整代价是细纹理被淹没核越小抗噪能力直线下降。beta是耦合强度旋钮beta 大邻域一点火当前神经元立刻跟着点区域趋于一致beta 趋近 0 时 U 近似等于 S模型退化成逐像素固定阈值PCNN 的耦合优势完全消失。参数物理含义常见初值beta链接强度0.2alpha_L链接记忆衰减1.0alpha_Theta阈值动态衰减0.05V_Theta点火后阈值增量20max_iter最大迭代轮数30我调参时固定alpha_L 1.0、V_L 0.2先扫 beta 从 0.1 到 1.0 看区域完整性再动alpha_Theta控制点火节奏V_Theta 一般保持在 10 到 30 之间不动。这套顺序在 flower.jpg 上基本一次能收敛到可用结果。3. PCNN.m 主循环实现与 yuzhifenge.m 阈值分割3.1 迭代结构与停止条件把递推方程封装成函数时有一个值得注意的简化馈送输入 F 在静态灰度图像上不再逐轮更新直接等于初始归一化灰度 S。原因是 S 本身不含时变信息F 的邻域反馈已经折算进 L省一次卷积对分割结果几乎无影响但迭代速度能提升三分之一左右。function [T, Yend] PCNN(S, W, beta, alpha_L, alpha_Theta, V_L, V_Theta, max_iter) [m, n] size(S); L zeros(m, n); Y zeros(m, n); Theta ones(m, n); T zeros(m, n); for k 1:max_iter L L .* exp(-alpha_L) V_L .* conv2(Y, W, same); U S .* (1 beta .* L); Y double(U Theta); Theta Theta .* exp(-alpha_Theta) V_Theta .* Y; first_fire (Y 1) (T 0); % 只保留第一次点火 T(first_fire) k; if sum(Y(:)) m * n % 全部点燃提前退出 break; end end Yend Y; endTheta初值取 1而 S 被 Bianhuan 压到 [0,1]所以第一轮几乎不点火网络从全静默状态演化。first_fire掩码确保 T 只记录首次点火否则反复点火的神经元会覆盖早期信息。停止条件双保险全部点火跳出或跑满 max_iter。max_iter 设在 30 到 40 之间足够超过还在点火的像素基本是噪声留在 T0 里即可。3.2 点火时间直方图定阈值得到 T 之后分割变成一维阈值问题。yuzhifenge.m 的实现核心就三行function BW yuzhifenge(T, thresh) BW T thresh; % 第 thresh 轮之前点火归前景 BW imfill(BW, holes); % 填补内部孔洞 BW bwareaopen(BW, 20); % 清除小于 20 像素的碎块 endthresh的取值不能拍脑袋。我先画 T 的直方图histogram(T(T0), 0:2:max_iter)有双峰就取峰谷对应的轮次没有双峰则把 thresh 从 1 到 max_iter 扫一遍记录每个阈值下的前景面积取面积曲线一阶导数峰值的位置。前景面积突变点就是区域边界最敏感处这个位置前后 2 轮之内的阈值都能用。提示T 等于 0 的像素是始终没点火的它们天然落在背景侧不会被T thresh误判进前景。3.3 分割参数敏感度对照表参数典型范围调大后果调小后果beta0.1 ~ 1.0区域合并更彻底边缘变钝逼近逐像素阈值细节保留alpha_L0.2 ~ 2.0链接记忆衰减快区域破碎邻域影响持久区域成片alpha_Theta0.01 ~ 0.2点火提前前景占比扩大点火延后背景被拉伸V_Theta10 ~ 30不应期长点火稀疏脑皮层反复点火T 记录混乱max_iter20 ~ 40计算量线性上涨暗区来不及点火就丢失这张表的使用方式是固定不敏感的 alpha_L、V_L优先用 beta 控制区域粒度用 alpha_Theta 控制前景占比最后用 max_iter 收尾。注意参数之间存在耦合比如 V_Theta 调大后 alpha_Theta 也要跟着放大否则点火节奏会被不应期拖慢表现为分割区域碎片化。4. Bianhuan.m 灰度变换与 Jiabian.m 加边预处理决定分割下限4.1 线性拉伸与百分位截断PCNN 的阈值初值是 1内部活动 U 的量级直接由 S 决定。如果直接把 0~255 的 uint8 图像喂进 PCNN.m第一轮就有大量神经元越阈点火点火时间矩阵 T 几乎没有层次分割退化成简单二值化。Bianhuan.m 先把灰度变换到 [0,1]让网络从全静默状态起步function S Bianhuan(I) I double(I); lo min(I(:)); hi max(I(:)); S (I - lo) / (hi - lo eps); % 线性拉伸eps 防除零 end线性拉伸对灰度分布均匀的图像够用。但遇到低对比度场景——比如医学图像分割里常见的 CT 切片直方图堆叠在一个窄区间min-max 拉伸会把噪声和灰度抖动一起放大——这时改用百分位截断更稳function S Bianhuan_prctile(I) I double(I); lo prctile(I(:), 2); hi prctile(I(:), 98); S (I - lo) / (hi - lo eps); S min(max(S, 0), 1); % 截断到合法区间 end取 2% 和 98% 分位作为映射端点牺牲两端 2% 的离群像素换取中间 96% 灰度的有效拉伸。这个变换不碰 PCNN 的迭代逻辑只改变 S 的分布换文件里的实现即可也方便不同图像共用同一套 PCNN 参数。4.2 复制填充取代补零保住边界神经元conv2(Y, W, same)默认对图像边界隐式补零。补零意味着边界神经元的邻域里多了一圈伪黑像素它们的 L 被压低点火延后最终分割结果沿图像四周出现一圈人工暗带。Jiabian.m 把边界提前用复制填充扩出来function Sp Jiabian(S, r) Sp padarray(S, [r r], replicate); % 沿边缘复制 r 圈 endr取链接核半径3×3 核取 15×5 核取 2。跑完 PCNN 后必须把填充裁掉再继续T T(r1:end-r, r1:end-r);否则分割图比原图大一圈边缘叠加验证时坐标对不上。填充方式边界邻域行为适用场景默认补零混入伪黑像素边界点火延后不要求边界精度replicate邻域统计与内部一致自然图像默认symmetric镜像纹理过渡最平滑边框为纯色时复制填充让边界邻域统计与内部一致代价是边界外多出一圈重复纹理但 PCNN 迭代中这些重复纹理的点火会同步传播回边界实际效果比补零干净。边框本身是纯黑或纯白时symmetric对称填充结果也接近。彩色输入记得在 Bianhuan 之前先rgb2gray否则 size(S) 变成三维conv2会直接报维度错误。5. judge_edge.m 边缘提取与 flower.jpg 上的复现5.1 点火时间梯度的 Sobel 实现区域内部点火时间缓变区域交界处点火时间突变所以对 T 做梯度就能提取边缘。judge_edge.m 用 Sobel 算子实现function E judge_edge(T) gx filter2([-1 0 1; -2 0 2; -1 0 1], T, same); gy filter2([-1 -2 -1; 0 0 0; 1 2 1], T, same); g sqrt(gx.^2 gy.^2); E g 0.15 * max(g(:)); % 相对阈值而非绝对阈值 end阈值写成相对形式是因为 T 的量纲随 max_iter 变化绝对阈值换个参数组合就失效。0.15 是保守起点边缘点太碎降到 0.1边缘过粗升到 0.2。5.2 flower.jpg 完整调用链把五个 m 文件串起来一次完整实验是这样I imread(flower.jpg); if size(I, 3) 3, I rgb2gray(I); end S Bianhuan(I); Sp Jiabian(S, 1); W [0.07 0.1 0.07; 0.1 0 0.1; 0.07 0.1 0.07]; [T, ~] PCNN(Sp, W, 0.3, 1.0, 0.05, 0.2, 20, 30); T T(2:end-1, 2:end-1); % 裁掉 Jiabian 加的一圈 BW yuzhifenge(T, 6); E judge_edge(T); imshowpair(BW, imdilate(E, ones(3)), montage);flower.jpg 上 beta0.3、V_Theta20、thresh6 这组参数能把花的主体从背景里分离出来花瓣和花蕊的边界落在 T 梯度最大的位置。验证分割质量不要只盯 BW把 E 膨胀后叠加到原图上看边缘是否贴合真实轮廓——如果边缘大部分落在背景纹理上说明 thresh 取大了前景混入了灰度相近的背景区域。提示边缘叠加验证前先确认 T 已经裁掉加边否则坐标偏移一圈边缘和原图对不上最容易误判成分割效果差。最后把点火时间图导出来再利用imwrite(mat2gray(T), T_map.png)这张图可以直接当特征图喂给后续算法。和 U-Net 这类需要标注数据的方案比PCNN 的无监督特性在医学图像分割这类标注稀缺的场景依然有竞争力把 T 和像素灰度拼成两通道特征再交给传统分类器往往比单独用灰度特征好不少。本文还有配套的精品资源点击获取 脉冲耦合神经网络图像分割：MATLAB实现与参数分析
简介概率细胞神经网络PCNN图像分割MATLAB程序包面向图像处理学习者与研究者用于解决目标区域自动分割问题。实际处理时原始图像先经过灰度化与归一化随后初始化各神经元阈值和连接权重网络迭代产生脉冲输出最终形成二值分割图该网络因具备并行运算、自启动、自稳定等特性已在医学影像分析、遥感地物识别、工业缺陷检测等场景广泛应用程序包以可直接运行的源码方式呈现降低了算法复现门槛。压缩包体积仅276KB共6个文件包含5个.m源码和1张jpg示例图源码按功能拆分为主程序、边缘判定、阈值分割、图像变换等独立模块便于按需阅读和修改。已有226人学习下载适合课程实验、论文复现或项目预研时作为基础参考对初学者而言这份完整代码比零散片段更容易上手能帮助快速建立从算法到实现的整体认识。使用者也可调整神经元阈值、连接权重等参数直观观察分割结果变化从而深入理解PCNN动态迭代原理与各模块作用。1. PCNN 图像分割程序包从点火时刻到区域边界PCNN概率细胞神经网络一类带脉冲点火机制的图像分割模型在分割里不依赖标注数据每个像素就是一个神经元靠阈值点火和邻域耦合把灰度相近的区域聚到相近的点火时刻。这份 PCNN.zip 的五个 m 文件恰好排成完整链路PCNN.m 主循环、yuzhifenge.m 阈值分割、judge_edge.m 边缘提取、Bianhuan.m 灰度变换、Jiabian.m 边界加边配一张 flower.jpg 直接复现。适合两类人一类是课程设计要复现经典分割算法需要能读懂改得动的 MATLAB 基线另一类是工程上做无监督预处理想对比 PCNN 和 U-Net 这类标注依赖型方案的成本。下面从递推方程开始拆。2. PCNN 神经元动力学馈送、链接、阈值三通道的相互作用2.1 离散递推方程与点火时间矩阵PCNN 的每个神经元在每一轮迭代里维护三组量馈送输入 F、链接输入 L 和动态阈值 Theta。F 承载图像本身的灰度刺激L 汇集周围神经元的点火信息Theta 则像一个不断泄压的弹簧——每轮按指数衰减一旦衰减到内部活动 U 之下神经元输出 1即完成一次点火然后阈值被 V_Theta 顶高进入不应期。标准离散递推在 MATLAB 里是这样的F S; % 馈送输入直接取归一化灰度 L L * exp(-alpha_L) V_L * conv2(Y, W, same); U F .* (1 beta .* L); % 内部活动由馈送和链接合成 Y double(U Theta); % 点火判决输出二值脉冲 Theta Theta * exp(-alpha_Theta) V_Theta .* Y;S是经过 Bianhuan 归一化后的灰度矩阵Y是上一轮的点火图W是链接权重核beta缩放邻域对内部活动的增益。注意conv2(Y, W, same)统计的是邻域点火总数而不是灰度卷积这是 PCNN 和普通卷积神经网络在信息流上的本质区别灰度信息通过 S 直接进入 F邻域信息通过点火脉冲间接调制 U。每个像素第一次点火对应的迭代序号组成点火时间矩阵 T。亮区 S 大U 更容易压过衰减中的阈值先点火T 值小暗区后点火甚至不点火T 值大。分割问题到这里就转化成了对 T 的阈值划分点火早的像素归一类点火晚的归另一类。yuzhifenge.m 干的就是这件事第三章单独分析。2.2 链接核 W 与 beta 的耦合半径W决定每个神经元能看见多远的邻域。常见取 3×3 或 5×5 的归一化核中心置 0W [0.07 0.1 0.07; 0.1 0 0.1; 0.07 0.1 0.07];中心为 0 是因为神经元不统计自身点火。核越大区域内部越容易同步点火分割结果越完整代价是细纹理被淹没核越小抗噪能力直线下降。beta是耦合强度旋钮beta 大邻域一点火当前神经元立刻跟着点区域趋于一致beta 趋近 0 时 U 近似等于 S模型退化成逐像素固定阈值PCNN 的耦合优势完全消失。参数物理含义常见初值beta链接强度0.2alpha_L链接记忆衰减1.0alpha_Theta阈值动态衰减0.05V_Theta点火后阈值增量20max_iter最大迭代轮数30我调参时固定alpha_L 1.0、V_L 0.2先扫 beta 从 0.1 到 1.0 看区域完整性再动alpha_Theta控制点火节奏V_Theta 一般保持在 10 到 30 之间不动。这套顺序在 flower.jpg 上基本一次能收敛到可用结果。3. PCNN.m 主循环实现与 yuzhifenge.m 阈值分割3.1 迭代结构与停止条件把递推方程封装成函数时有一个值得注意的简化馈送输入 F 在静态灰度图像上不再逐轮更新直接等于初始归一化灰度 S。原因是 S 本身不含时变信息F 的邻域反馈已经折算进 L省一次卷积对分割结果几乎无影响但迭代速度能提升三分之一左右。function [T, Yend] PCNN(S, W, beta, alpha_L, alpha_Theta, V_L, V_Theta, max_iter) [m, n] size(S); L zeros(m, n); Y zeros(m, n); Theta ones(m, n); T zeros(m, n); for k 1:max_iter L L .* exp(-alpha_L) V_L .* conv2(Y, W, same); U S .* (1 beta .* L); Y double(U Theta); Theta Theta .* exp(-alpha_Theta) V_Theta .* Y; first_fire (Y 1) (T 0); % 只保留第一次点火 T(first_fire) k; if sum(Y(:)) m * n % 全部点燃提前退出 break; end end Yend Y; endTheta初值取 1而 S 被 Bianhuan 压到 [0,1]所以第一轮几乎不点火网络从全静默状态演化。first_fire掩码确保 T 只记录首次点火否则反复点火的神经元会覆盖早期信息。停止条件双保险全部点火跳出或跑满 max_iter。max_iter 设在 30 到 40 之间足够超过还在点火的像素基本是噪声留在 T0 里即可。3.2 点火时间直方图定阈值得到 T 之后分割变成一维阈值问题。yuzhifenge.m 的实现核心就三行function BW yuzhifenge(T, thresh) BW T thresh; % 第 thresh 轮之前点火归前景 BW imfill(BW, holes); % 填补内部孔洞 BW bwareaopen(BW, 20); % 清除小于 20 像素的碎块 endthresh的取值不能拍脑袋。我先画 T 的直方图histogram(T(T0), 0:2:max_iter)有双峰就取峰谷对应的轮次没有双峰则把 thresh 从 1 到 max_iter 扫一遍记录每个阈值下的前景面积取面积曲线一阶导数峰值的位置。前景面积突变点就是区域边界最敏感处这个位置前后 2 轮之内的阈值都能用。提示T 等于 0 的像素是始终没点火的它们天然落在背景侧不会被T thresh误判进前景。3.3 分割参数敏感度对照表参数典型范围调大后果调小后果beta0.1 ~ 1.0区域合并更彻底边缘变钝逼近逐像素阈值细节保留alpha_L0.2 ~ 2.0链接记忆衰减快区域破碎邻域影响持久区域成片alpha_Theta0.01 ~ 0.2点火提前前景占比扩大点火延后背景被拉伸V_Theta10 ~ 30不应期长点火稀疏脑皮层反复点火T 记录混乱max_iter20 ~ 40计算量线性上涨暗区来不及点火就丢失这张表的使用方式是固定不敏感的 alpha_L、V_L优先用 beta 控制区域粒度用 alpha_Theta 控制前景占比最后用 max_iter 收尾。注意参数之间存在耦合比如 V_Theta 调大后 alpha_Theta 也要跟着放大否则点火节奏会被不应期拖慢表现为分割区域碎片化。4. Bianhuan.m 灰度变换与 Jiabian.m 加边预处理决定分割下限4.1 线性拉伸与百分位截断PCNN 的阈值初值是 1内部活动 U 的量级直接由 S 决定。如果直接把 0~255 的 uint8 图像喂进 PCNN.m第一轮就有大量神经元越阈点火点火时间矩阵 T 几乎没有层次分割退化成简单二值化。Bianhuan.m 先把灰度变换到 [0,1]让网络从全静默状态起步function S Bianhuan(I) I double(I); lo min(I(:)); hi max(I(:)); S (I - lo) / (hi - lo eps); % 线性拉伸eps 防除零 end线性拉伸对灰度分布均匀的图像够用。但遇到低对比度场景——比如医学图像分割里常见的 CT 切片直方图堆叠在一个窄区间min-max 拉伸会把噪声和灰度抖动一起放大——这时改用百分位截断更稳function S Bianhuan_prctile(I) I double(I); lo prctile(I(:), 2); hi prctile(I(:), 98); S (I - lo) / (hi - lo eps); S min(max(S, 0), 1); % 截断到合法区间 end取 2% 和 98% 分位作为映射端点牺牲两端 2% 的离群像素换取中间 96% 灰度的有效拉伸。这个变换不碰 PCNN 的迭代逻辑只改变 S 的分布换文件里的实现即可也方便不同图像共用同一套 PCNN 参数。4.2 复制填充取代补零保住边界神经元conv2(Y, W, same)默认对图像边界隐式补零。补零意味着边界神经元的邻域里多了一圈伪黑像素它们的 L 被压低点火延后最终分割结果沿图像四周出现一圈人工暗带。Jiabian.m 把边界提前用复制填充扩出来function Sp Jiabian(S, r) Sp padarray(S, [r r], replicate); % 沿边缘复制 r 圈 endr取链接核半径3×3 核取 15×5 核取 2。跑完 PCNN 后必须把填充裁掉再继续T T(r1:end-r, r1:end-r);否则分割图比原图大一圈边缘叠加验证时坐标对不上。填充方式边界邻域行为适用场景默认补零混入伪黑像素边界点火延后不要求边界精度replicate邻域统计与内部一致自然图像默认symmetric镜像纹理过渡最平滑边框为纯色时复制填充让边界邻域统计与内部一致代价是边界外多出一圈重复纹理但 PCNN 迭代中这些重复纹理的点火会同步传播回边界实际效果比补零干净。边框本身是纯黑或纯白时symmetric对称填充结果也接近。彩色输入记得在 Bianhuan 之前先rgb2gray否则 size(S) 变成三维conv2会直接报维度错误。5. judge_edge.m 边缘提取与 flower.jpg 上的复现5.1 点火时间梯度的 Sobel 实现区域内部点火时间缓变区域交界处点火时间突变所以对 T 做梯度就能提取边缘。judge_edge.m 用 Sobel 算子实现function E judge_edge(T) gx filter2([-1 0 1; -2 0 2; -1 0 1], T, same); gy filter2([-1 -2 -1; 0 0 0; 1 2 1], T, same); g sqrt(gx.^2 gy.^2); E g 0.15 * max(g(:)); % 相对阈值而非绝对阈值 end阈值写成相对形式是因为 T 的量纲随 max_iter 变化绝对阈值换个参数组合就失效。0.15 是保守起点边缘点太碎降到 0.1边缘过粗升到 0.2。5.2 flower.jpg 完整调用链把五个 m 文件串起来一次完整实验是这样I imread(flower.jpg); if size(I, 3) 3, I rgb2gray(I); end S Bianhuan(I); Sp Jiabian(S, 1); W [0.07 0.1 0.07; 0.1 0 0.1; 0.07 0.1 0.07]; [T, ~] PCNN(Sp, W, 0.3, 1.0, 0.05, 0.2, 20, 30); T T(2:end-1, 2:end-1); % 裁掉 Jiabian 加的一圈 BW yuzhifenge(T, 6); E judge_edge(T); imshowpair(BW, imdilate(E, ones(3)), montage);flower.jpg 上 beta0.3、V_Theta20、thresh6 这组参数能把花的主体从背景里分离出来花瓣和花蕊的边界落在 T 梯度最大的位置。验证分割质量不要只盯 BW把 E 膨胀后叠加到原图上看边缘是否贴合真实轮廓——如果边缘大部分落在背景纹理上说明 thresh 取大了前景混入了灰度相近的背景区域。提示边缘叠加验证前先确认 T 已经裁掉加边否则坐标偏移一圈边缘和原图对不上最容易误判成分割效果差。最后把点火时间图导出来再利用imwrite(mat2gray(T), T_map.png)这张图可以直接当特征图喂给后续算法。和 U-Net 这类需要标注数据的方案比PCNN 的无监督特性在医学图像分割这类标注稀缺的场景依然有竞争力把 T 和像素灰度拼成两通道特征再交给传统分类器往往比单独用灰度特征好不少。本文还有配套的精品资源点击获取