PCNN模型參數(shù)優(yōu)化及其紅外圖像分割方法的研究.pdf

1、紅外熱像儀因其被動成像方式、較強的目標探測能力、全天候工作等特點,目前在軍事、安防等領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用。近年來,隨著其應(yīng)用領(lǐng)域的不斷開拓,人們迫切地需要智能探測紅外場景中諸如運動體、受損部件等感興趣內(nèi)容。于是,這種需求相應(yīng)地促使了計算機視覺對紅外圖像處理的要求,其中尤為重要的是圖像的分割質(zhì)量。由于紅外圖像主要體現(xiàn)的是溫度場信息,傳統(tǒng)的諸如閾值、熵等分割方法都會因其固有的一些特征而產(chǎn)生低質(zhì)量的分割結(jié)果。這些特征包括:(1)目標的熱分

2、布不一致容易引起灰度分布不均勻,且易于背景灰度分布發(fā)生混疊;(2)紅外圖像信噪比低,噪聲成分復雜;(3)紅外目標的邊緣較為模糊。因此,為了有效地避免這些因素的影響,研究高效率高性能的分割方法一直成為國內(nèi)外研究的熱點。
　　脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse-coupledneuralnetwork,PCNN)作為生物視覺復雜神經(jīng)系統(tǒng)的仿生模型,具有對鄰域相似輸入的神經(jīng)元同步發(fā)放脈沖等特性,有助于克服紅外目標亮度與背景混疊等因素導致的分割

3、質(zhì)量不佳。然而,由于其內(nèi)部所需設(shè)置的參數(shù)眾多以及參數(shù)與圖像特性之間關(guān)系不明確,極易引發(fā)神經(jīng)元不規(guī)則的行為,導致較高的分割錯誤。為此,本文深入開展了PCNN模型參數(shù)優(yōu)化及其紅外圖像分割機制的研究,提出并建立模型參數(shù)與圖像特性、參數(shù)與參數(shù)之間的關(guān)系,旨在獲得較好的分割結(jié)果。具體而言,論文所取得的創(chuàng)新性成果主要體現(xiàn)如下幾點:
　　(1)聚類分析是研究分類的基本方法,本文在聚類分析的框架下,提出了真實均值和估計均值保持一致性的聚類分割理論

4、,并借助脈沖耦合神經(jīng)元同步發(fā)放脈沖特性,構(gòu)建了一種新的PCNN簡化模型(simplifiedpulse-coupledneuralnetwork,SPCNN)。在該模型中,提出并建立與脈沖輸出相關(guān)聯(lián)的一種全新的圖像分割機制,為實現(xiàn)高質(zhì)量紅外圖像分割結(jié)果奠定了基礎(chǔ)。
　　(2)提出了SPCNN模型在貝葉斯規(guī)則下的紅外圖像分割方法。首先,分析和探討了在最佳分割條件下SPCNN連接系數(shù)設(shè)置方法,接著通過引入貝葉斯規(guī)則,確保了PCNN鄰域

5、同步點火特性,從而可以摒棄現(xiàn)有諸如基于熵、類間測度等迭代停止規(guī)則,自適應(yīng)地得到分割結(jié)果。相比于其他經(jīng)典的閾值分割算法和現(xiàn)有的一些PCNN分割方法,實驗結(jié)果表明本文提出的方法針對一些代表性的紅外圖像具有較好的處理能力,并在一定程度可分離目標和背景灰度分布的混疊,同時驗證了真實均值和估計均值保持一致性的聚類分割理論的有效性。
　　(3)進一步優(yōu)化SPCNN模型及其參數(shù)設(shè)置,建立了一種具有抗噪能力的SPCNN圖像分割模型。該模型改變了神

6、經(jīng)元的反饋輸入,增添了與之相鄰的神經(jīng)元灰度信息。同時,在脈沖輸出中提出采用非參數(shù)核密度估計聚類規(guī)則作為分類器,增強PCNN鄰域同步點火特性,由此提出了一種由粗到精的分割策略,從而降低了連接系數(shù)設(shè)置的復雜度。實驗結(jié)果表明,該模型能有效地分離目標和背景灰度分布的混疊,獲得了較高的分割性能,且可通過閾值的適當調(diào)整處理更為廣泛的紅外圖像。與SPCNN相比,提出的方法在抗噪聲和分割性能上都展現(xiàn)出明顯的優(yōu)勢。
　　(4)深入開展了PCNN鄰域

7、同步點火特性的分析,提出了一種簡單有效的SPCNN圖像閾值分割方法。在該方法中,直接采用了與點火區(qū)域相關(guān)聯(lián)的全局閾值。同時,在分析圖像鄰域特性基礎(chǔ)上,引入了聚類分析中的距離測度,并從優(yōu)化角度提出了一種最小加權(quán)均值偏離的目標函數(shù)作為局部閾值設(shè)置規(guī)則,從而建立了SPCNN中連接系數(shù)與閾值之間、連接系數(shù)與圖像特性之間的關(guān)系。實驗結(jié)果表明,提出的方法獲得的分割結(jié)果優(yōu)于一些經(jīng)典的閾值分割方法以及其他PCNN分割方法,且相比于非參數(shù)核密度估計下的S

8、PCNN模型的分割性能,其時間復雜度得到了簡化。
　　(5)為方便后續(xù)紅外圖像內(nèi)容的分析,研究了SPCNN模型多層分割方法。該方法繼承并改善了SPCNN閾值分割方法中連接系數(shù)的設(shè)置方式,引入了一種距離測度的模糊隸屬度函數(shù),并采用優(yōu)化的方法快速求解最佳連接系數(shù),從而增強PCNN鄰域同步點火特性。在這個特性支撐下,提出了一種自適應(yīng)圖像多層分割策略,從而為拓展該方法在其他領(lǐng)域的應(yīng)用奠定了基礎(chǔ)。與較新的PCNN多層分割方法相比,實驗對比結(jié)