改进型脉冲耦合神经网络在图像分割中的应用研究

摘要

脉冲耦合神经网络，是由艾克红等人根据哺乳动物大脑视觉皮层神经元模型在受到刺激的情况下能发放脉冲串并引起同步振荡这一现象的基础上不断研究总结得到。该模型基于生物学背景，类似于生物视觉系统，具各处理图像的能力，非常适合应用于数字图像处理领域。本文针对图像分割问题，对模型进行简化和优化，并将其应用于医学红细胞的检测与计数问题中，下面将所做的主要工作阐述如下:
　　i)为使脉冲耦合神经网络模型更适用于解决数字图像分割问题，本文对模型进行了优化，主要表现在以下两大方面:
　　a.针对模型中各参数在图像分割问题中所发挥的作用效果不同，本文对模型输入部分进行了简化，主要体现在神经元F通道的输入只考虑外部图像像素灰度值的影响，神经元L通道的输入只考虑前一时刻邻域八个像素点对应神经元输出的作用。
　　b.针对PCNN模型参数设置需通过大量的人为试验来确定这一问题，本文采用遗传算法对模型进行优化。利用遗传算法能自动获取和积累待求解问题搜索空间知识的能力，实现脉冲耦合神经网络模型中关键参数的自适应设值。
　　ii)随着大规模集成电路技术不断发展，用硬件实现算法成为了一种趋势，为紧跟时代的潮流，本文用FPGA开发板对改进型算法进行硬件实现。在实现过程中主要解决了以下三方面的问题:
　　a.针对FPGA开发板存储资源有限和设计成本约束问题，本文对算法进行改良，将神经元数目缩减为一个，采用串行方式对整幅图像进行分割处理。
　　b.为便于硬件实现，遗传算法选用二进制编码方式、随机联赛选择算子、多点交叉算子和基本位突变算子;
　　c.为实现分割后图像的显示，本文设计了图像显示模块，通过输出数据信号和控制信号给VGA接口将分割后的图像直观地显示在计算机屏幕上。
　　iii)本文将改进后的算法应用于医学红细胞图像自动计数问题中，解决了采用普通分割算法进行图像二值化处理不能达到理想效果的问题，显示了改进算法的优越性。

目录

摘要

第1章 绪论

1．1 研究背景

1．2 脉冲耦合神经网络图像分割算法的发展现状

1．3 脉冲耦合神经网络模型的简介

1．3．1 链接域模型

1．3．2 脉冲耦合神经网络模型

1．4 本文的主要工作及结构安排

第2章 基于PCNN的图像分割算法的介绍

2．1 图像分割的概述

2．2 基于PCNN的图像分割算法的介绍

2．2．1 基于PCNN模型图像分割算法的基本原理

2．2．2 简化版脉冲耦合神经网络模型

2．2．3 模型迭代终止算法的确定

2．3 本章小结

第3章 改进型PCNN图像分割算法的介绍

3．1 遗传算法介绍

3．1．1 遗传算法的常用术语

3．1．2 遗传算法的基本流程

3．1．3 遗传算法的特点

3．2 改进型PCNN图像分割算法的介绍

3．2．1 种群规模的确定及参数编码方式的选择

3．2．2 适应度函数的设计

3．2．3 遗传算子的选择

3．2．4 改进型PCNN图像分割算法的Matlab实现流程

3．2．5 仿真结果分析

3．3 本章小结

第4章 改进型PCNN图像分割算法的硬件实现

4．1 硬件开发方式的选择

4．2 改进型PCNN图像分割算法的硬件实现介绍

4．2．1 控制模块的设计

4．2．2 初始化模块的设计

4．2．3 随机数模块的设计

4．2．4 存储器模块的设计

4．2．5 适应度函数实现原理

4．2．6 遗传操作实现原理

4．2．7 图像分割模块实现原理

4．2．8 图像显示模块

4．3 本章小结

第5章 改进型算法在医学红细胞图像自动计数中的应用

5．1 引言

5．2 红细胞图像自动计数算法介绍

5．2．1 图像预处理

5．2．2 图像分割处理

5．2．3 图像的形态学处理

5．2．4 图像粘连细胞分离

5．2．5 红细胞图像的自动计数

5．3 本章小结

第6章 总结与展望

6．1 本文工作总结

6．2 未来工作展望

参考文献

致谢

攻读硕士期间发表的学术论文

声明