基于脈沖神經(jīng)網(wǎng)絡(luò)的圖像特征提取與應(yīng)用研究.pdf

1、　　人工神經(jīng)網(wǎng)絡(luò)從誕生至今經(jīng)過了六十多年的演變,相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò),第三代人工網(wǎng)絡(luò)脈沖神經(jīng)網(wǎng)絡(luò)(Spiking Neural Network,SNN)更好地模仿了生物神經(jīng)元的工作原理。SNN中的脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network,PCNN)對(duì)圖像的處理獲取的特征序列具有很好的尺度不變性、旋轉(zhuǎn)不變性、信號(hào)強(qiáng)度不變性和信號(hào)扭曲不變性,而交叉皮層神經(jīng)網(wǎng)絡(luò)(Intersecting Cortical Mo

2、del Neural Network, ICMNN)可以看做是PCNN的簡化模型,繼承了PCNN提取的特征序列的特性。大量的研究表明,PCNN的生物學(xué)工作機(jī)制決定了它作為圖像處理引擎的有效性。論文將探究兩種SNN模型：脈沖耦合神經(jīng)網(wǎng)絡(luò)和交叉皮層模型神經(jīng)網(wǎng)絡(luò)。
　　特征提取是成功進(jìn)行圖像描述、分類、分析等過程中的關(guān)鍵環(huán)節(jié)。基于認(rèn)知理論和感知經(jīng)驗(yàn),給定一種紋理圖像,對(duì)該種紋理圖像不論進(jìn)行怎樣的變換、旋轉(zhuǎn)、縮放、仿射、甚至是失真處理

3、后獲取的圖像,從人類觀察的角度來說都應(yīng)該是同一種紋理,對(duì)應(yīng)地,提取到的紋理特征也應(yīng)該是不變的。因此,不變性紋理特征提取在實(shí)際應(yīng)用和理論分析中都是不可或缺的一部分。論文從紋理特征的提取角度,利用 PCNN 的特性進(jìn)行了紋理圖像的特征提取和應(yīng)用研究。
　　首先,論文利用ICMNN對(duì)灰度信息不發(fā)生變化但像素分布位置發(fā)生變化的圖像,提取直接及間接的圖像結(jié)構(gòu)信息,并將其用于圖像置亂算法的性能評(píng)價(jià)。由于ICMNN的連接調(diào)制,可以將圖像的結(jié)

4、構(gòu)信息有效地進(jìn)行耦合,所以,論文通過增大連接強(qiáng)度因子,減小灰度信息來提取圖像的結(jié)構(gòu)信息。針對(duì)圖像像置亂變換的置亂評(píng)價(jià)問題,對(duì)ICMNN的模型進(jìn)行了改進(jìn),通過加入連接強(qiáng)度因子耦合圖像的結(jié)構(gòu)信息,削弱灰度信息,從而實(shí)現(xiàn)對(duì)圖像的結(jié)構(gòu)信息的提取,使得置亂評(píng)價(jià)的結(jié)果與視覺評(píng)價(jià)相一致。由于改進(jìn)算法是通過間接的方式提取圖像的結(jié)構(gòu)信息,為了進(jìn)一步能夠直接提取結(jié)構(gòu)信息,論文采用按位分解圖像的方法對(duì)圖像進(jìn)行處理,并利用ICMNN實(shí)現(xiàn)了直接結(jié)構(gòu)信息的提取。

5、
　　其次,論文研究了灰度信息發(fā)生一定變化但具有強(qiáng)結(jié)構(gòu)信息的紋理圖像的不變性特征提取。為了減少圖像灰度信息變化帶來的干擾,論文首先利用局部二值模式(Local Binary Pattern ,LBP )將圖像從灰度模式轉(zhuǎn)化成二值結(jié)構(gòu)模式,然后對(duì)二值結(jié)構(gòu)模式的圖像進(jìn)行PCNN 處理以獲取不變性特征序列。通過將LBP 和PCNN 相結(jié)合,提取具有較好平移、旋轉(zhuǎn)、縮放、光照不變性的圖像特征序列。利用 Brodatz圖庫進(jìn)行的實(shí)驗(yàn)結(jié)果表

6、明,論文提出的基于LBP與PCNN的圖像檢索提取的特征具有平移、旋轉(zhuǎn)、縮放、光照不變性。
　　再次,論文針對(duì)內(nèi)容復(fù)雜的圖像,利用 PCNN 分解模型對(duì)圖像進(jìn)行乘性分解,提取圖像在不同細(xì)節(jié)層次下的圖像特征。論文采用 PCNN 分解模型將圖像按照結(jié)構(gòu)層次進(jìn)行分解,將原圖像中的內(nèi)容分解到不同的圖像中,以根據(jù)需求獲取圖像中不同的內(nèi)容。通過對(duì)PCNN的分解模型進(jìn)行改進(jìn),降低了PCNN分解模型的復(fù)雜度,增強(qiáng)了該模型的魯棒性,同時(shí),將改進(jìn)后