脉冲耦合神经网络在图像处理中的应用研究

摘要

结合人类视觉机理的图像处理方法与应用是目前数字图像处理技术的热点领域，研究的思路一般为根据人类视觉机理、现象构建数学模型，并将数学模型用于相应的图像处理任务，目前研究大致分为三类:一是人类视觉感知信息的表示与建模;二是人类视觉神经元机理及其运行机制建模;三是视觉皮层功能机理及其信息处理机制建模。脉冲耦合神经网络(Pulse Coupled Neural Network: PCNN)作为视觉皮层神经元模型的典型，由于接近人类视觉神经元机理及其运行机制，成为研究基于人类视觉神经元机理及其运行机制的图像处理方法的重要手段。但是，PCNN无法通过数学方法清晰的描述内在特性，使其在图像处理中无法充分发挥模型的优势，如何解决该问题对于提升PCNN图像处理的性能，进一步完善基于人类视觉机理的图像处理新方法意义重大。
　　本论文针对PCNN存在的问题，在分析视觉皮层神经元工作机理的基础上，以PCNN为研究对象，从解决PCNN存在的问题，提升PCNN图像处理性能的角度，进行以下三个层次的研究:1)PCNN关键参数的特性及其在图像处理中的应用研究，2）结合任务多种特征的PCNN图像处理方法研究与应用，3）自适应PCNN及其在图像处理中的应用。主要的研究内容和贡献有以下三个方面:
　　1.针对标准PCNN在图像处理中参数设置没有规律以及参数多、计算复杂等问题，提出了一种改进PCNN及其关键参数设置的图像边缘检测方法。该方法改进并简化了标准PCNN模型使其更符合边缘检测，同时在边缘检测中针对改进PCNN的关键参数提出了不同的设置方法。该方法首先将标准PCNN的参数由9个简化至4个，然后采用以下方法设置改进PCNN的参数:(1)通过图像灰度值的局部特征设置连接系数β，(2)考虑神经元之间的灰度值差异设置权值矩阵，(3)结合局部梯度确定放大系数VE以及时间衰减常数aE，(4)结合最大方差比确定最佳迭代次数N等。在实验中与同类型视觉皮层神经元模型标准PCNN算法、交叉视觉皮层算法进行比较，实验结果表明本章提出的改进模型以及关键参数的设置方法能够精确的提取图像边缘，提出的方法优于同类型的标准PCNN、ICM以及其他对比算法，提取结果符合人类视觉的感受。
　　2.针对标准PCNN与图像处理任务之间的关系不明确，影响PCNN图像处理性能的问题，提出结合图像离散系数特征以及侧抑制特性的PCNN阴影检测方法，结合人类视觉亮度特性和图像亮度对比度特征的PCNN图像融合方法。提出的方法根据图像处理任务特征的数学描述建立与PCNN之间的联系，从而指导PCNN在图像处理中的运行状态，达到提升PCNN图像处理性能的目的。(1)在结合PCNN的阴影检测中针对PCNN进行以下改进，一是针对PCNN对灰度值相近但分属不同区域的像素区分能力弱的问题，引入人类视觉侧抑制特性改进PCNN模型;二是引入图像阴影离散系数特征指导PCNN的阴影检测过程;(2)针对结合PCNN的图像融合提出以下改进PCNN的方法:一是提出适合PCNN图像融合的Main-AuxiliaryPCNN模型;二是通过图像融合常用的对比度和亮度特征建立PCNN模型与图像融合任务之间的联系，指导图像融合过程。
　　3.针对标准PCNN数学方法无法清晰的描述，参数之间的协作机制不明，使得PCNN在图像处理中无法根据图像处理任务动态调整PCNN运行状态的问题，提出结合优化算法的PCNN性能提升方法并将提出的方法用于图像分割。具体应用中，通过免疫克隆算法优化PCNN，该方法利用免疫克隆算法理论要求弱的优势，将PCNN在图像处理中动态调整运行状态的问题转化为基于免疫克隆算法的优化问题，实现PCNN在图像处理中动态调整运行状态的目的。该方法首先在标准免疫克隆算法的基础上加入自适应操作和梯度操作，提高免疫克隆算法收敛速度和全局收敛性，然后在标准PCNN的基础上采用简化PCNN模型，将简化PCNN的参数定义为抗原，将图像分割结果的熵定义为抗体，通过一系列克隆变异机制动态调整PCNN的运行完成图像分割任务。实验中与标准PCNN分割方法、ICM分割方法、PSO-ICM分割方法、PSO-PCNN分割方法、ISCA-PCNN等同类型算法以及其他多种分割方法进行比较，实验结果表明提出的方法达到了PCNN在图像分割中动态自适应调整运行状态的目的，图像分割的性能优于同类型算法和其他对比算法。

目录

声明

摘要

1 绪论

1．1 选题背景和意义

1．2 课题来源

1．3 人类视觉系统及其视觉形成过程

1．4 人类视觉系统工作机理及其在图像处理中的应用

1．5 脉冲耦合神经网络

1．6 主要的研究工作

1．7 论文的组织结构

2 PCNN模型关键参数特性及其在边缘检测中的应用

2．1 引言

2．2 PCNN参数存在的问题及解决办法

2．3 基于改进PCNN的图像边缘检测

2．3．1 PCNN边缘检测的原理

2．3．2 算法概述

2．3．3 改进PCNN模型

2．3．4 基于局部方差的图像增强

2．3．5 PCNN关键参数设置方法

2．3．6 图像边缘增强

2．3．7 实验与讨论

2．4 本章小结

3 结合图像任务特征的PCNN图像处理方法研究

3．1 引言

3．2 结合图像离散系数特性的PCNN图像阴影检测

3．3 结合图像亮度和对比度特征的PCNN图像融合

3．4 本章小结

4 自适应PCNN及其在图像处理中的应用研究

4．1 引言

4．2 算法概述

4．3 PCNN及其简化模型

4．4 免疫克隆选择算法

4．5 结合自适应免疫克隆算法的PCNN优化方法

4．6 实验和讨论

4．7 本章小结

5 总结与展望

5．1 本文主要工作总结

5．2 未来研究工作展望

参考文献

攻读博士学位期间主要研究成果

致谢