基于延迟自反馈FHN随机共振机制的灰度图像增强方法

摘要

本发明涉及一种基于延迟自反馈FHN随机共振机制的灰度图像增强方法。传统方法在缺乏噪声模型先验知识情况下效果不理想。本发明首先对含噪灰度图像进行行扫描，获得由各像素灰度值所组成的一维序列，并对其各元素进行归一化处理；将归一化后的一维序列输入至延迟自反馈FHN神经元模型中，使得系统输出达到最佳的随机共振状态；将输出的序列逆归一化还原为图像像素值取值范围，并将其还原为灰度图像；然后对还原后的灰度图像进行列扫描重复上述过程，最后获得经过行列两次扫描后增强的灰度图像。本发明方法结合行列两个方向实现图像的降维处理，有效提高了二维图像行列方向的对等关系，有利于灰度图像通过随机共振处理后的空间结构特性保留。

说明书

技术领域

本发明属于图像处理领域，涉及一种基于延迟自反馈FHN神经元模型随机共振机制的灰度图像增强方法。

背景技术

图像是人们传递信息的主要媒介，但在图像采集、传输、编码和获取的过程中会受到各种噪声的干扰，导致图像质量的退化，这对于图像更高层次的分析或理解是十分不利的。因此有效地消除噪声的有害影响，同时增强图像中的有用信号变得尤为重要。目前传统的图像增强方法主要有：基于直方图均衡化的图像增强方法、基于小波变换的图像增强方法、均值滤波等算法。这些方法通过去除图像中的噪声信号，来增强图像信息，尤其当图像信号信噪比较低时，在去除噪声的同时，图像有用信息将不可避免的受到损失，因此图像的增强效果并不理想。随机共振通过噪声、输入信号以及非线性系统三者间的协同作用，将噪声能量转向有用的信号能量，从而提高输出信号的信噪比。这对于强噪声背景下的弱图像增强具有重要的意义。

发明内容

本发明考虑到：(1)传统图像增强技术在低信噪比条件下，通常不能取得良好的效果；(2)结构简单的双稳态随机共振模型具有较窄的参数优化范围以及性能不够稳定，提出了一种基于延迟自反馈FHN随机共振机制的灰度图像增强方法。通过对FHN神经元模型添加延迟自反馈环节，使其满足神经脉冲信号在神经系统传递的延迟反馈机制。

本发明的延迟自反馈FHN神经元模型随机共振机制的灰度图像增强方法包括以下步骤：

步骤（1）对含噪的灰度图像进行行扫描，将其降维成一维序列。

步骤（2）对每个一维序列中的像素值进行归一化处理。

步骤（3）将每个归一化处理后的一维序列输入至基于延迟自反馈的FHN神经元模型系统中，得到对应的输出信号序列。

步骤（4）调节延迟自反馈FHN神经元模型的延迟和反馈参数，使得延迟自反馈FHN神经元模型的输出达到最佳随机共振状态。具体方法为：计算延迟自反馈FHN模型的互信息熵，当互信息熵达到最大值时，固定对应的延迟自反馈FHN神经元模型的参数值，此时的输出序列即为延迟自反馈FHN神经元模型的最佳输出。

步骤（5）将最佳输出序列逆归一化还原为图像像素取值范围。

步骤（6）对步骤(5)的输出信号序列按行逆扫描复原成二维图像信号。

步骤（7）对复原后的二维图像信号进行列扫描，降维成一维信号系列。

步骤（8）重复步骤（2）到步骤（5）进行一次列操作。

步骤（9）对得到的最佳输出信号序列按列逆扫描复原成二维图像。

本发明的有益效果为：

1、由于图像是二维信号，本发明在行扫描基础上再进行列扫描，有效的提高了图像行列之间平等关系，有利于图像像素之间的关联性保留。

2、本发明基于延迟自反馈的FHN神经元模型的随机共振机制，与传统的基于噪声滤除的信号增强方法不同，其将噪声的消极能量转换为信号的积极能量，从而实现强噪声背景下的弱图像增强。

3、本发明在图像信号的随机共振增强中，舍弃了常用的简单双稳态系统等抽象模型，而是采用符合真实神经元电生理特性的FHN神经元模型；同时为FHN神经元模型添加延迟自反馈环节，更符合神经系统中神经元之间的互连关系，有利于改善弱图像信号的增强性能。

附图说明

图1是本发明方法流程图。

具体实施方式

以下结合附图对本发明作进一步说明。

本发明是基于描述神经元电生理特性的FitzHugh-Nagumo(FHN)神经元模型，添加延迟自反馈环节，以模拟神经系统信号传递过程中的延迟和反馈调节特性，将有利于提升随机共振参数的优化范围以及性能的稳定性。

步骤（1）对于像素值为                                               的含噪弱图像，进行行扫描，将二维图像信号降维成一维信号序列，()。

步骤（2）将降维获得的一维信号序列，()进行归一化处理获得，()，其中，，（），其中表示图像个像素值的最小值，表示图像个像素值的最大值，使其满足FHN神经元模型要求输入信号具有小参数值的特点。

步骤（3）将，()输入基于延迟自反馈的FHN神经元模型系统中，得到对应的输出信号序列，()；

其中，添加延迟自反馈的FHN神经元模型结构示意图如图1所示，图中为经行扫描归一化处理后的降维一维图像信号；为经列扫描归一化处理后的降维一维图像信号；、分别为行扫描和列扫描反馈比例调节参数，其中系统为负反馈；、分别为行扫描和列扫描延迟参数；为信号经FHN模型的输出值。

数学模型如式(1)所示：

             （1）

其中，为快变的神经元膜电压；为慢变的恢复变量；为时间常数，决定了神经元的点火速率；为临界值，促使神经元定期点火；为信号电平均值与的差值；、为方程组常数；为外部电流输入，且，为输入信号，为高斯白噪声，满足，，为噪声强度；为延迟自反馈的反馈系数；为时间延迟参数。

步骤（4）根据步骤（3）中的输入信号序列和输出信号序列，计算FHN神经元延迟自反馈网络模型的互信息熵，并将其作为衡量指标，调节此时的延迟和反馈参数；当互信息熵达到最大值时，表明延迟自反馈FHN神经元系统处于最佳随机共振状态，且此时图像输出信号将得到最优增强。其中互信息熵的公式为：

 （2） 

其中，表示输入信号，表示输出信号，表示输入信号值为的概率，表示延迟自反馈FHN系统输入信号值为时，系统输出信号为的条件概率。

步骤（5）将输出的序列，()逆归一化还原为图像像素值取值范围，其中，表示输出序列中的最小值，表示输出序列中的最大值，逆归一化后使其满足图像像素值为的取值范围。

步骤（6）将步骤(5)的输出信号序列按行逆扫描复原成二维图像信号。

步骤（7）对复原后的二维图像信号进行列扫描，降维成一维信号系列。

步骤（8）重复步骤（2）到步骤（5）进行一次列操作。

步骤（9）对得到的最佳输出信号序列按列逆扫描复原成二维图像。