自適應(yīng)參數(shù)設(shè)置脈沖耦合神經(jīng)網(wǎng)絡(luò)研究及其在圖像處理中的應(yīng)用.pdf

1、脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(PCNN)是在20世紀(jì)90年代末由Johnson等人在Eckhorn的哺乳動物視覺皮層模型基礎(chǔ)上提出的。該模型具有非線性調(diào)制耦合、非線性動態(tài)閾值衰減、動態(tài)脈沖發(fā)放及同步脈沖發(fā)放等特性，是一種不同于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的新型人工神經(jīng)網(wǎng)絡(luò)模型，被認(rèn)為是第三代人工神經(jīng)網(wǎng)絡(luò)。PCNN模型對圖像的處理結(jié)果具有良好的旋轉(zhuǎn)不變性、尺度不變性、畸變不變性及信號強(qiáng)度不變性等特性，并且很好地模擬了生物視覺神經(jīng)系統(tǒng)的基本運(yùn)作機(jī)理，更符合人眼

2、視覺特性，因而在圖像處理、計(jì)算機(jī)視覺等領(lǐng)域有著得天獨(dú)厚的優(yōu)勢。
　　本論文對脈沖耦合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了系統(tǒng)、深入的研究，在分析了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(PCNN)、交叉皮質(zhì)模型(ICM)、脈沖皮質(zhì)模型(SCM)、簡化PCNN模型(SPCNN)的運(yùn)行機(jī)理和特性的基礎(chǔ)上，提出了一種自適應(yīng)參數(shù)設(shè)置的改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(IPCNN)，并在此基礎(chǔ)上提出了一種異質(zhì)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(HIPCNN)。并將這兩種方法應(yīng)用到圖像分割、圖像邊

3、緣檢測等圖像處理領(lǐng)域，使用Berkeley分割數(shù)據(jù)集和國際標(biāo)準(zhǔn)圖像庫進(jìn)行算法測試，取得了較好的效果。本論文主要開展了以下研究工作：
　　1.簡要介紹了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型PCNN的發(fā)展歷程、研究現(xiàn)狀及存在的問題，介紹了PCNN模型的基本結(jié)構(gòu)及常用的改進(jìn)模型ICM、SCM、SPCNN模型，著重分析了PCNN模型的運(yùn)行機(jī)理和特性，并簡要分析了PCNN模型中各參數(shù)的作用。提出了一種將PCNN模型和圖像質(zhì)量、數(shù)學(xué)形態(tài)學(xué)等處理方法相結(jié)合對顯

4、微血細(xì)胞圖像中紅細(xì)胞進(jìn)行計(jì)數(shù)的方法，對于應(yīng)用了不同染色方法、來自不同放大倍數(shù)顯微鏡的血細(xì)胞圖像中的紅細(xì)胞均能更準(zhǔn)確地進(jìn)行計(jì)數(shù)，是一種可行的實(shí)用型方法。
　　2.提出了一種自適應(yīng)參數(shù)設(shè)置的改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(IPCNN)，既減少了參數(shù)數(shù)量，又保持了PCNN模型的反饋連接和輸入連接模式；深入研究了IPCNN模型的動力學(xué)特性及其工作機(jī)理，構(gòu)建了輸入圖像的靜態(tài)特性和神經(jīng)元的動態(tài)特性之間的聯(lián)系，從而自適應(yīng)的設(shè)置IPCNN模型中所有4

5、個(gè)參數(shù)，避免了傳統(tǒng)方法中人工手動設(shè)置的不便，提高了參數(shù)對不同類型圖像的適應(yīng)性，且該方法不需要進(jìn)行訓(xùn)練和預(yù)試驗(yàn)，是一種適合圖像實(shí)時(shí)處理的改進(jìn)型脈沖耦合神經(jīng)模型。
　　3.在IPCNN模型的基礎(chǔ)上提出了一種異質(zhì)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(HIPCNN)，該模型將目前大多數(shù)研究中PCNN模型的固定連接強(qiáng)度值根據(jù)圖像局部靜態(tài)特性進(jìn)行調(diào)制，構(gòu)建了各向異性的可變連接強(qiáng)度值，形成了一種全異質(zhì)神經(jīng)網(wǎng)絡(luò)模型，創(chuàng)新性地將全異質(zhì)網(wǎng)絡(luò)引入到脈沖耦合神經(jīng)網(wǎng)絡(luò)模型