基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像處理若干問(wèn)題研究.pdf

1、脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Networks,PCNN)是基于生物視覺(jué)系統(tǒng)機(jī)理形成的具有模數(shù)混合處理、串并聯(lián)混合處理及動(dòng)態(tài)自適應(yīng)處理的一種空時(shí)編碼新型人工神經(jīng)網(wǎng)絡(luò)。由于PCNN模型的動(dòng)態(tài)變閾值、非線性調(diào)制耦合、同步脈沖發(fā)放、動(dòng)態(tài)脈沖發(fā)放及時(shí)空總和等特性,使其在圖像處理、自動(dòng)目標(biāo)識(shí)別、組合優(yōu)化、人工生命等領(lǐng)域的研究和應(yīng)用得到國(guó)內(nèi)外的廣泛重視。
　　 本文圍繞圖像處理中脈沖噪聲濾除、高斯噪聲濾除、弱小

2、目標(biāo)檢測(cè)、二值圖像自動(dòng)分割、多值圖像自動(dòng)分割及基于內(nèi)容的圖像檢索等若干關(guān)鍵問(wèn)題,針對(duì)脈沖耦合神經(jīng)元結(jié)構(gòu)復(fù)雜性及其在圖像信號(hào)處理中存在閾值反復(fù)衰減、自適應(yīng)性能差和無(wú)法自動(dòng)選擇最佳處理結(jié)果等一些不足,研究了PCNN模型的機(jī)理,并提出改進(jìn)思路與方法。論文主要內(nèi)容如下:
　　 1.為有效濾除圖像中嚴(yán)重脈沖噪聲的干擾,提出了基于脈沖耦合神經(jīng)網(wǎng)絡(luò)噪聲檢測(cè)的兩級(jí)脈沖噪聲濾波算法。首先在改進(jìn)自適應(yīng)單位連接PCNN(AULPCNN)模型的基礎(chǔ)上,

3、利用其同步脈沖發(fā)放特性區(qū)分定位脈沖噪聲點(diǎn)和信號(hào)像素點(diǎn)位置,其次根據(jù)噪聲點(diǎn)局部鄰域信息對(duì)噪聲點(diǎn)進(jìn)行第1級(jí)自適應(yīng)濾波,然后再對(duì)前一級(jí)的濾波輸出利用具有保護(hù)邊緣細(xì)節(jié)特點(diǎn)的多方向信息中值第2級(jí)細(xì)微輔助濾波。該算法在噪聲檢測(cè)中無(wú)需設(shè)定檢測(cè)閾值,噪聲檢測(cè)精度較高；在去噪過(guò)程中不但有效濾除噪聲干擾,而且能很好地保護(hù)圖像邊緣細(xì)節(jié)等信息,具有較好的主觀視覺(jué)效果和客觀評(píng)價(jià)指標(biāo),去噪能力強(qiáng)、信噪比高和適應(yīng)性好,特別是對(duì)受嚴(yán)重噪聲污染的圖像,顯示了更大的優(yōu)越性

4、。
　　 2.針對(duì)圖像高斯噪聲的去除,提出了一種基于改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)的雙邊濾波算法。在考慮圖像高斯噪聲特征的前提下,引入平滑抑制因子和自適應(yīng)鏈接強(qiáng)度,并與相似神經(jīng)元同步激活特性相結(jié)合,形成平滑抑制自適應(yīng)連接PCNN(SIAL-PCNN)模型,然后應(yīng)用在含噪圖像預(yù)濾波迭代處理中,在濾除極值噪聲的同時(shí)形成反映圖像空時(shí)信息的賦時(shí)矩陣,最后將生成的賦時(shí)矩陣信息運(yùn)用在雙邊濾波中,并對(duì)其進(jìn)行了自適應(yīng)性改進(jìn)與濾除高斯噪聲的處理。該算法在

5、較好保護(hù)圖像邊緣細(xì)節(jié)等信息的情況下,能有效地濾除平滑區(qū)域噪聲,在信噪比和去噪能力方面都有一定的提高。
　　 3.從含單一弱小目標(biāo)圖像特征出發(fā),提出了結(jié)合灰度熵變換的脈沖耦合神經(jīng)網(wǎng)絡(luò)小目標(biāo)圖像檢測(cè)算法。該方法在對(duì)含隨機(jī)噪聲和有復(fù)雜背景的圖像進(jìn)行非線性灰度熵變換濾波的基礎(chǔ)上,考慮灰度熵值映射圖在滿足目標(biāo)背景比先驗(yàn)概率的條件下,利用局部最小交叉熵判據(jù),自動(dòng)選取包含單一小目標(biāo)局部窗口作為處理圖像區(qū)域,并進(jìn)行改進(jìn)型PCNN迭代檢測(cè)處理。該

6、算法能自動(dòng)可靠地檢測(cè)出復(fù)雜背景及隨機(jī)噪聲干擾下的弱小目標(biāo)。
　　 4.為自動(dòng)對(duì)圖像進(jìn)行二值分割,提出了一種新的自適應(yīng)迭代全局閾值圖像自動(dòng)分割算法。首先對(duì)二維超模糊集隸屬函數(shù)進(jìn)行自適應(yīng)修正,并將其引入到圖像超模糊熵概念中,然后從適應(yīng)圖像分割角度考慮,將傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型改進(jìn)為具有單調(diào)指數(shù)上升閾值函數(shù)的單位鏈接脈沖耦合神經(jīng)網(wǎng)絡(luò)(ULPCNN)抑制捕獲模型,最后把ULPCNN與最大超模糊熵判據(jù)相結(jié)合對(duì)圖像進(jìn)行自動(dòng)分割。該算法能自

7、動(dòng)確定最佳分割閾值,對(duì)圖像目標(biāo)劃分清晰、細(xì)節(jié)保持較好,改善了圖像的分割性能。
　　 5.考慮原始圖像與分割圖像之間的相互關(guān)系,以最大互信息為分割目標(biāo),以互信息熵差作為一種新的分類判據(jù),在對(duì)傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型改進(jìn)的基礎(chǔ)上,提出了一種基于最大互信息改進(jìn)型PCNN多值圖像自動(dòng)分割算法。該算法能夠自動(dòng)確定最佳分割迭代次數(shù)及最佳分割灰度類數(shù),對(duì)分割圖像具有良好的特征劃分能力,且在分割類數(shù)較少的情況下,能較好地保持圖像細(xì)節(jié)、紋理及邊緣

8、等信息,對(duì)圖像分割精度高,具有較強(qiáng)的適用性。
　　 6.為簡(jiǎn)單有效地提取圖像重要特征信息,從而更好地提高檢索圖像的精度,提出了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像歸一化轉(zhuǎn)動(dòng)慣量(NMI)特征提取及檢索算法。首先利用改進(jìn)簡(jiǎn)化PCNN模型相似神經(jīng)元同步時(shí)空特性及指數(shù)衰降機(jī)制,將圖像分解為一系列具有相關(guān)性的二值圖像,然后提取能反映原圖像目標(biāo)形狀、結(jié)構(gòu)分布的系列二值圖像的一維NMI特征矢量信號(hào),并將其應(yīng)用在圖像檢索中。同時(shí),考慮到系列二值圖像