一种基于PCNN神经元激活率和群离散度的区域特征提取方法

摘要

本发明公开了一种基于PCNN神经元激活率和群离散度的区域特征提取方法。包括以下步骤：步骤一：对原始图像进行预处理，将神经网络PCNN与图像对应；步骤二：将0～255的灰度范围根据目标区域划分成N个从大到小的灰度区间；步骤三：得到当前灰度区间内发生群激活的神经元；步骤四：统计发生群激活神经元的领域内受激励神经元个数，判断发生提起激活的神经元；步骤五：统计提前激活神经元个数，得到群激活率和群离散度；步骤六：读取下一个灰度区间，重复步骤三到步骤六，直到第N个区间。本发明具有计算复杂度小，分类效果好的优点。

说明书

技术领域

本发明属于一种声纳图像目标区域的特征提取方法，尤其涉及一种能够提取目标区域像 素值分布特征的，基于PCNN神经元激活率和群离散度的区域特征提取方法。

背景技术

随着科技的发展，以人类为代表的哺乳动物对于图像的识别能力仍然是机器望尘莫及的， 因此大量国内外科研工作者不断探索和模拟动物的视觉神经系统，虽然神经网络的研究经历 了一个又一个低潮，但是科学家们的脚步从未停止。随着第三代神经网络PCNN的提出，对 于神经网络的研究进入了一个新的篇章，2005年Lindblad和Kinser在其PCNN研究专著的 第二版阐述了基于哺乳动物视觉皮层神经元的人工神经网络，使人们在机器视觉研究方面前 进了一大步，针对动物大脑如何对图像进行处理的研究方面又有了很多新的成果。比如 Johnson提出利用PCNN网络将二维图像转换成一维脉冲序列的思想，一些研究者提出用 PCNN把图像分层的方法。文献1：Bo Yu；Liming Zhang.Pulse-Coupled Neural Networks for  Contour and Motion Matchings.2004 IEEE TRANSACTIONS ON NEURAL NETWORKS,p 1186-1201,2004，这篇文献利用PCNN的链式传导激活方法对理想图形的边缘进行匹配识别。 文献2：刘勍，马义德.基于直方图矢量重心的PCNN图像目标识别新方法.电子技术应用， No.10,2006。文献3：刘勍，许录平，马义德，张华.结合灰度熵变换的PCNN小目标图像检 测新方法.北京理工大学学报，Vol.29,No.12,2009。这两篇文献利用赋时矩阵来描述图像特征 用于识别等。

总的来说，利用PCNN进行图像识别的论文可以分为两大类：一类是构建更加复杂的 PCNN结构，把增加网络的复杂性作为一种创新；第二类通过统计PCNN发生群激活的神经 元个数进行分析，以此进行图像的分割、去噪。这些做法存在两方面不足，一是忽略了PCNN 邻域神经元对主神经元的动态影响，没有体现邻域主、辅神经元的动态联系；另一方面忽视 了PCNN多个神经元同时发生提前激活的神经元分布特点，没有利用提前激活神经元的分布 特性。

发明内容

本发明的目的是提供一种计算复杂度小，分类效果好的，基于PCNN神经元激活率和群 离散度的区域特征提取方法。

本发明是通过以下技术方案实现的：

一种基于PCNN神经元激活率和群离散度的区域特征提取方法，包括以下几个步骤：

步骤一：采集原始图像，对原始图像进行预处理，分割出目标区域的轮廓，将神经网络PCNN 与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神 经元的输入为像素点的灰度值；

步骤二：通过设置PCNN神经元的阈值参数，将0～255的灰度范围根据目标区域划分成N个 灰度区间，将灰度区间按照灰度值从大到小的顺序排列；

步骤三：读取当前第k个灰度区间，得到当前灰度区间内发生群激活的神经元，发生群激活 的神经元对应的像素值在当前灰度区间对应的灰度范围内；

步骤四：统计发生群激活神经元的领域内受激励神经元个数λ，重新计算发生群激活神经元 的领域内受激励神经元的内部活动项的值，如果受激励神经元的内部活动项的值位于当前灰 度区间对应的灰度范围内，则当前受激励神经元为提前激活神经元，记录下提前激活神经元 对应像素点的坐标；

步骤五：统计提前激活神经元个数λ'，得到群激活率和群离散度：

其中x,y是每个灰度区间提前激活神经元对应像素点的坐标，

步骤六：令当前灰度区间内的发生群激活和提前激活神经元对应的像素点值为0，令k＝k+1， 重复步骤三到步骤六，直到k＝N。

有益效果：

本发明细化了PCNN的神经元激励现象，成功将发生群激活和受激励提前激活的神经元 分离开，一方面利用提前激活神经元的激活率表征目标区域的灰度值分布特性，另一方面统 计每个灰度区间提前激活神经元对应的像素点坐标，把目标区域中具有相似激活特性的像素 点联系起来分析。

本发明利用PCNN邻域神经元的分布结构，灵活的将目标区域划分为小范围像素区域， 用提前激活的神经元表征这些小范围像素区域的像素值分布特征；将具有相似激活性质的区 域共同考虑，兼顾了邻域梯度特性和更大区域范围的像素值灰度特性，能统计PCNN提前激 活神经元在更大范围内的分布离散性，因此在微观和宏观两种不同角度描述目标区域的特征。 相比于其他的纹理特征提取方法，利用本文方法提取蛙人和鱼类目标特征用于分类时，计算 复杂度更小、分类效果更好。

附图说明

图1为PCNN神经元与声纳图像的对应方法；

图2为目标所在区域的灰度图像；

图3为分割出的目标图像；

图4为第一次激活的像素点，对应像素值最大的灰度区间；

图5为受激活神经元影响的像素区域；

图6为受影响的像素区域中发生提前激活现象的像素点；

图7为受抑制之后不再发生激活的区域；

图8为未激活神经元Q受邻域内已激活神经元P影响，发生提前激活的示意图；

图9为群激活神经元统计图；

图10为群激活率统计图；

图11为群离散度统计图；

图12为鱼类目标的声纳图像；

图13为蛙人目标的声纳图像；

图14为本发明方法的整体处理流程图。

具体实施方式

下面将结合附图对本发明做进一步详细说明。

本发明是这样实现的：

1.对原始图像进行预处理，分割、标定出目标区域，将PCNN与声纳图像对应，中心神 经元与图像的像素点对应，神经元的输入即像素点的灰度值，中心神经元的邻域与邻域像素 点对应；

2.设置PCNN神经元阈值相关参数，将0～255的灰度级有目的的分为N个区间；

3.统计步骤2中划分的灰度级范围，按照从灰度值相对大的区间向灰度值相对小的区间 统计(每次统计一个灰度区间)，判断当前灰度区间的神经元是否发生群激活现象；

4.根据PCNN神经元的性质，已激活神经元会激励邻域内未激活神经元发生激活。因此 要重新计算受影响神经元的U值；

5.判断受影响的未激活神经元是否重新满足激活条件而激活(这是一种提前激活现象)。 如果满足则该像素点对应的神经元发生提前激活，记录下提前激活的神经元对应像素点的坐 标和数量；

6.令所有发生群激活和受激励提前激活的神经元对应的像素点值为0，不再发生激活；

7.回到步骤3，统计更低像灰度区间的群激活性质，按照从步骤3至步骤6的顺序统计 神经元提前激活的性质，直到灰度值在0～255范围内的所有区间都统计完毕；

8.统计每个灰度区间发生群激活的神经元个数与提前激活的神经元个数，得到群激活率。 统计每个灰度区间提前激活神经元对应的像素点坐标，得到群离散度。将群激活率和群离散 度作为描述区域特征的特征值。

下面描述本发明的实施过程，主要结合图14对本发明做更详细的描述：

PCNN的基本公式如下：

$F_{\mathrm{ij}}\left[n\right]=F_{\mathrm{ij}}[n-1]\exp (-t{\alpha }_F)+V_F\underset{\mathrm{kl}}{\Sigma }{M}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}[n-1]---\left(1\right)$

$L_{\mathrm{ij}}\left[n\right]=L_{\mathrm{ij}}[n-1]\exp (-t{\alpha }_L)+V_L\underset{\mathrm{kl}}{\Sigma }{M}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}[n-1]---\left(2\right)$

U_ij[n]＝F_ij[n](1+βL_ij[n])                        (3)

T_ij[n]＝exp(-tα_T)T_ij[n-1]+V_TY_ij[n-1]              (4)

$Y_{\mathrm{ij}}\left[n\right]=\mathrm{step}\left(U_{\mathrm{ij}}\right[n]-T_{\mathrm{ij}}[n-1\left]\right)=\left(\begin{array}{c}1,U_{\mathrm{ij}}\left[n\right]\ge T_{\mathrm{ij}}\left[n\right]\\ 0,U_{\mathrm{ij}}\left[n\right]<T_{\mathrm{ij}}\left[n\right]\end{array}\right)---\left(5\right)$

上式中：

F_ij[n]表示神经元主输入。

S_ij表示主输入中心点对应的图像像素灰度值。

L_ij[n]表示辅助输入，其值代表主输入邻域的辅助输入。

U_ij[n]是内部活动项。

T_ij[n]是动态阈值。

M_ijkl和W_ijkl是神经元的链接权值矩阵，表示神经元的感受视野。

Y_kl[n-1]是脉冲耦合神经元的脉冲输出结果，值为1(激活)和0(未激活)。

ij表示主输入区域像中心素点的横纵坐标。kl表示辅助邻域像素点的横纵坐标。

V_F、V_L和V_T是邻域的影响参数，β是主输入F路和辅输入L路之间的相互作用强度。

n＝1,2,...,n是最小采样周期的倍数，表示当前公式处于第几次动态变化，以下简称迭代 次数。

下面结合附图对本发明的实施过程详细描述一下：

1.如图1所示，将PCNN与声纳图像对应，即中心神经元与图像的像素点对应，邻域神 经元与邻域像素点对应，神经元输入即像素点的灰度值。对原始图像进行预处理，主要目的 是平滑去噪、分割出目标区域，得到图2，PCNN对应于处理后的图像；这里可以对目标轮 廓进行分割，将背景的灰度值置零，消除背景噪声的影响，得到图3。

2.将PCNN基本公式化简：

迭代开始时F_ij[n]等于PCNN中心神经元对应灰度值，即F_ij[n-1]＝S_ij，所有神经元都处 于抑制状态，即Y_ij[n-1]＝0，此时中心神经元的激活特性由S_ij和衰减参数α_F影响，如果去掉 公式(1)中的常数偏置S_ij，公式(1)变形为：

F_ij^*[n]＝S_ijexp(-tα_F)                   (6)

在判断首次未激活神经元是否发生提前激活的时候，主要考虑发生激活的神经元对中心 神经元的影响，因此公式(2)化简为：

$L_{\mathrm{ij}}\left[n\right]=V_L\underset{\mathrm{kl}}{\Sigma }{W}_{\mathrm{ijkl}}{Y}_{\mathrm{kl}}[n-1]---\left(7\right)$

PCNN邻域神经元对中心神经元的影响是一个动态过程，邻域神经元首次激活后，Y_ij[n-1] 的变化会显著影响其周围神经元发生提前激活。因此本发明将公式(3)变形为两部分：

第一部分：    U_ij^*[n]＝F_ij^*[n]                            (8)

第二部分：    U_ij[n]＝U_ij^*[n]+βF_ij^*[n]L_ij[n]              (9)

首次判断神经元是否发生群激活时，所有神经元都处于抑制状态，即Y_ij[n-1]＝0。因此公 式(4)化简为：

T_ij[n]＝exp(-tα_T)T₀                    (10)

其中T₀为初始阈值。

设置PCNN基本公式(9)和公式(10)相关参数，使相近的灰度值在相同采样时刻根据公式(5) 能够同时激活；将0～255的灰度级分为若干个区间，每个灰度区间包含能够同时激活的神经 元；

3.根据步骤2中划分的灰度区间，按照灰度区间对应的灰度值由大到小的顺序，每次迭 代统计一个灰度区间，依据公式(5)判断声纳图像像素点对应的PCNN神经元激活情况。 图4所示为第一次迭代，即最大灰度区间内发生群激活的神经元对应的像素点；

4.根据PCNN神经元的激励现象，已激活神经元会激励邻域内未激活神经元发生激活， 如图8所示。因此利用公式(9)重新计算受影响神经元的U_ij[n]值，图5所示为受激励神经元 对应的像素点；

5.判断受影响的未激活神经元是否重新满足激活条件而激活(这是一种提前激活现象)， 如果满足则该像素点对应的神经元发生提前激活，记录下提前激活的神经元对应像素点的坐 标和数量，图6所示为提前激活神经元对应的像素点；

6.令所有发生群激活和受激励提前激活的神经元对应的像素点值为0，不再发生激活， 如图7所示；

7.返回步骤3进入下一次迭代，按照从步骤3至步骤6的顺序统计更低灰度区间的群激 活神经元、受激励神经元和提前激活神经元的情况，直到灰度值在0～255范围内的所有区间 都统计完毕，得到图9所示的时间脉冲序列图，图中横坐标为迭代次数，纵坐标为每次迭代 对应的灰度区间中发生群激活的神经元个数；

8.本发明通过统计受激励的神经元个数λ和这些神经元中成功发生提前激活的个数λ'， 得到激活神经元对邻域神经元的群激活率(以下简称“群激活率”)，其定义如下：

统计每个灰度区间提前激活神经元对应的群激活率，可得到如图10所示的群激活率向量， 图中横坐标为迭代次数，纵坐标为每次迭代所对应灰度区间的群激活率。

另外，本发明提出一种PCNN“激活群离散度”的概念(下面简称“群离散度”)，用来描 述提前激活的神经元在空间上的分布离散度。提出它的原因是：群激活率表征了邻域神经元 的激励能力和纹理性质，却没有体现提前激活的神经元在更大范围的空间分布特征，因此提 出“群离散度”的概念来表征这种特征，公式(12)是群离散度的定义：

其中x,y是每个灰度区间提前激活像素点的坐标。

$x_0=\frac{1}{{\lambda }^{\prime }}\underset{i=1}{\overset{{\lambda }^{\prime }}{\Sigma }}{x}_i,y_0=\frac{1}{{\lambda }^{\prime }}\underset{i=1}{\overset{{\lambda }^{\prime }}{\Sigma }}{y}_i---\left(13\right)$

统计每个灰度区间提前激活神经元对应的群离散度，得到图11所示的群离散度向量，图 中横坐标为迭代次数，纵坐标为每次迭代所对应灰度区间的群离散度。群离散度的概念弥补 了激活率表征的邻域局限性，体现了激活神经元在整幅目标范围的空间分布特征。

应用本文方法，可将图12和图13所示的声纳图像(以及其它图像)进行分类。方法是： 将待分类的两个目标的群激活率向量进行匹配(群离散度向量的匹配方法相同)，匹配度定义 如下：

$\eta =\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}\frac{1}{x_{1i}-x_{2i}}$

式中x_1i和x_2i分别表示两个目标的上述特征向量对应位置的值，N表示灰度区间数。

经试验证明本发明同类目标的匹配度比不同类目标的匹配度高一个数量级以上，具有较 好的分类效果。