基于脉冲耦合神经网络模型的彩色图像分割方法研究要点.doc

基于脉冲耦合神经网络模型的彩色图像分割方法 ——《模式识别与智能系统导论》考核 学 院： 电气工程学院 专 业： 学生姓名： 谷 朝 班 级： 研硕15级15班 学 号： 主讲教师 张 秀 玲 基于脉冲耦合神经网络模型的彩色图像分割方法 摘要：, 人们也提出了许多与一些特定理论、方法和工具相结合的彩色图像分割技术，其中包括了神经网络模型图像的分割，比如各种改进型的脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）与传统神经网络相比，有着根本的不同。PCNN有生物学的背景，它是依据猫、猴等动物的大脑皮层上的同步脉冲发放现象提出的。PCNN有着广泛的应用，可应用于图像分割，边缘检测、细化、识别等方面。 ：； 1 引言 图像分割是一种重要的图像处理技术,它是将图像中有意义的特征或者需要应用的特征提取出来，是图像识别和图像理解的基本前提，在理论研究和实际应用中都得到了人们的广泛重视，图像分割质量的好坏直接影响后续图像处理的效果。 人工神经网络具有较好的泛化能力、，。Gray首先发现了猫的初生视觉皮层有神经激发相关振荡现象，并将其研究结果发在了Nature杂志上。与此同时，Eckhom也根据猫的大猫皮层的同步脉冲发放现象，提出了脉冲发现的连接模式，将开拓性地提出了PCNN基本模型。Gray和Eckhom被称为PCNN的鼻祖。我国的兰州大学马义德教授在PCNN研究领域有很大建树，发表了很多相关的论文，并出版了《脉冲耦合神经网络原理及其应用》和《脉冲耦合神经网络与数字图像原理》两本专著。 与BP神经网络和Kohonen神经网络相比，PCNN不需要学习或者训练，能从复杂背景下提取有效信息，具有同步脉冲发放和全局耦合等特性，其信号形式和处理机制更符合人类视觉神经系统的生理学基础。，PCNN神经网络在一定的条件下， 2 彩色图像分割 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。 为了便于研究和理解，通常形式化定义如下[1]： 令集合Ｒ，ＲＮ，Ｎ５ 对所有的和，有）,有 （3） ，有 （4） ,是连通区域。5） ，Ｒ。 2]。其中，，或是，。，，3]。，。，。 基于特定理论的方法利用某种已经相当成熟的理论，、、、，4]。 3 脉冲耦合神经网络模型 基本PCNN神经网络是提出的一种有连接域的网络模型，它是由若干个神经元互连形成的反馈型神经网络，构成PCNN的神经元系统是一个复杂的非线性动态系统5]。一个PCNN神经元由三部分组成：接受部分，调制部分，脉冲发生器，其基本模型见下图: 分别以相对较小/较大的时间常数 对神经元某邻域内的其他神经元的输出进行漏电容积分加权和，此外还接受该神经元的外部刺激。链接器以乘积耦合形式 构成神经元J的内部行为Uj。脉冲产生器由对网络输出进行漏电容积分的变阈值特性(起激活该神经元的作用)和硬限幅函数(起抑制该神经元的作用)组成，脉冲是否产生取决于内部行为大小能否超过其激发动态门限，且此门限值随着该神经元输出状态的变化发生变化。当阈值θj小于Uj时，神经元被激活(即输出Yj=1),称之为点火一次，紧接着因为输出端对阈值的反馈使得阈值θj突然变高(通常Ve取值大)，神经元又被抑制(即输出Y =0)，从而在神经元输出端产生一个脉冲信号，此脉冲信号经过加权又连接到相邻神经元的输入端，从而影响这些神经元的激发状态，故该网络称为脉冲耦合神经网络。 其中 、 和 分别为神经元Nij 的外部刺激(输入) 、内部行为和输出; 和 分别为神经元的链接域和馈送域两个输入通道; M/ VF 和W/ VL 分别是馈送域和链接域的连接权系数矩阵/ 放大系数; 和 变阈值函数输出和阈值放大系数; 、 、 分别为链接域、馈送域和变阈值函数的时间常数, β:内部活动项的连接因子6]。 由上式我们可以看出，PCNN的主要参数就是上述四个，即权值、链接系数、初始阈值和衰减系数，使用各种优化算法对PCNN的参数进行优化时，往往主要优化链接系数，初始阈值和衰减系数，在一般情况下，主要是优化初始阈值和衰减系数。 PCNN 用于图像的分割原理：凭借 PCNN