【摘要】：脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network,PCNN)作為人眼視覺特性的數(shù)學(xué)抽象,已被廣泛應(yīng)用到圖像處理的各個領(lǐng)域。然而,早期經(jīng)典PCNN模型復(fù)雜,參數(shù)眾多,計算復(fù)雜度高,處理效率低。針對以上問題,許多學(xué)者致力于PCNN模型的簡化以及參數(shù)的設(shè)定。研究結(jié)果表明,簡化后的模型性能并未下降,同時需要設(shè)置的參數(shù)個數(shù)減少,更有利于模型的遷移應(yīng)用。在模型簡化方面,最著名的模型有簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)(Simplified Pulse Coupled Neural Network,SPCNN)、交叉皮層模型(Intersecting Cortical Model,ICM)和脈沖發(fā)放皮層模型(Spiking Cortical Model,SCM)等,以上模型在圖像增強(qiáng)、分割、去噪、邊緣檢測和目標(biāo)識別等領(lǐng)域被廣泛應(yīng)用,極大地促進(jìn)了相關(guān)領(lǐng)域的發(fā)展。在參數(shù)設(shè)置方面,有根據(jù)經(jīng)驗(yàn)的設(shè)置法,也有基于圖像統(tǒng)計特性的自動參數(shù)設(shè)置方法,還有基于數(shù)據(jù)集訓(xùn)練參數(shù)的方法�？梢钥闯�,模型簡化和參數(shù)設(shè)置構(gòu)成了PCNN模型相關(guān)研究的兩大陣營,越來越多的學(xué)者投入到PCNN模型研究中。本文以經(jīng)典PCNN模型為研究對象,旨在探索、分析和研究基于PCNN模型的圖像處理方法,提出了若干改進(jìn)的PCNN模型,并將其用到了目標(biāo)檢測、圖像分割和量化壓縮等領(lǐng)域,本論文主要的研究工作和貢獻(xiàn)如下:1.經(jīng)典PCNN模型將圖像處理問題轉(zhuǎn)換為神經(jīng)元點(diǎn)火問題,其中每個像素對應(yīng)一個神經(jīng)元。但是傳統(tǒng)PCNN的數(shù)學(xué)耦合特性使得神經(jīng)元點(diǎn)火時刻都為整數(shù),不能很好的模擬真實(shí)神經(jīng)元的自然點(diǎn)火時刻-非整數(shù)時刻點(diǎn)火�；谠搯栴},本文提出了非整數(shù)步長指數(shù)的SPCNN模型,通過在迭代過程中加入非整型步長,使PCNN的數(shù)學(xué)耦合點(diǎn)火特性基本消失,神經(jīng)元點(diǎn)火時刻接更近真實(shí)值。同時這種非整數(shù)級別的步長使得PCNN模型處理圖像更為精細(xì),尤其在不確定的邊界或目標(biāo)處,通過減少步長,處理分辨率更高,檢測和分割更為細(xì)膩精致。另外,通過與多分辨率分析理論相結(jié)合,該模型被成功應(yīng)用到乳腺鉬靶X線鈣化點(diǎn)檢測任務(wù)中去,能有效地從復(fù)雜環(huán)境中檢測出混合在高頻組織中的乳腺病灶。2.哺乳動物的不同神經(jīng)元在結(jié)構(gòu)和連接上存在明顯差異,這種差異(異構(gòu)特性)使得動物神經(jīng)元在感知圖像時能高效提取圖像信息,為視覺系統(tǒng)處理圖像提供有力保障。本論文基于神經(jīng)元異構(gòu)理論提出一種異構(gòu)的簡化脈沖耦合神經(jīng)網(wǎng)絡(luò)(Heterogeneous Simplified Pulse Coupled Neural Network,HSPCNN)用于自然圖像的分割,HSPCNN由幾個不同參數(shù)的SPCNN按照不同的權(quán)重連接形成并行處理模型,其參數(shù)完全自適應(yīng)設(shè)置,并且每個SPCNN單元擁有不同強(qiáng)度的歸一化輸出,對應(yīng)大腦不同區(qū)域?qū)ν饨绱碳げ煌潭鹊捻憫?yīng)。此模型可按照灰度級將圖像分割成不同的區(qū)域。針對圖像分割評價指標(biāo)信息變差(Variation of Information,VI)表達(dá)力不足的缺陷,本文引入類間誤差和類內(nèi)誤差將之修訂,并成功應(yīng)用于圖像分割的性能評價中。3.針對異構(gòu)脈沖耦合神經(jīng)網(wǎng)絡(luò)(Heterogeneous Pulse Coupled Neural Network,HPCNN)在圖像量化中出現(xiàn)邊界效應(yīng)這一缺陷,本文提出了一種新的異構(gòu)網(wǎng)絡(luò)模型 (Sine-Cosine Heterogeneous Pulse Coupled Neural Network,SC-HPCNN),將正余弦振蕩項引入神經(jīng)元點(diǎn)火閾值和內(nèi)部活動項中形成SC-PCNN。正余弦振蕩器由于振蕩波動可使動態(tài)閾值和內(nèi)部活動項獲得短時微小增量,這種增量能有效抑制系統(tǒng)累積噪聲并使分割結(jié)果迅速收斂,此模型與形態(tài)學(xué)操作結(jié)合后可消除系統(tǒng)噪聲擾動和外界噪聲影響。利用此模型將原圖像分割成目標(biāo)區(qū)域和背景區(qū)域后,分別采用兩個不同參數(shù)的PCNN單元對目標(biāo)區(qū)域和背景區(qū)域量化,這種由SC-PCNN和兩個不同參數(shù)PCNN組成的異構(gòu)結(jié)構(gòu)就是SC-HPCNN,最終通過疊加兩PCNN輸出的賦時矩陣并取反之后獲得原始圖像的量化壓縮圖像。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李瀚;楊曉峰;鄧紅霞;常莎;李海芳;;基于網(wǎng)格搜索算法的PCNN模型參數(shù)自適應(yīng)[J];計算機(jī)工程與設(shè)計;2017年01期

2 鄧海穎;周冬明;聶仁燦;;PCNN的周期特性分析[J];云南大學(xué)學(xué)報(自然科學(xué)版);2015年01期

3 DENG Xiangyu;MA Yide;;PCNN Model Analysis and Its Automatic Parameters Determination in Image Segmentation and Edge Detection[J];Chinese Journal of Electronics;2014年01期

4 沈艷;張曉明;韓凱歌;姜勁;;PCNN圖像分割技術(shù)研究[J];現(xiàn)代電子技術(shù);2014年02期

5 王念一;馬義德;綻琨;;PCNN理論研究進(jìn)展及其語音識別中的應(yīng)用[J];自動化與儀器儀表;2013年01期

6 鄧成錦;聶仁燦;周冬明;趙東風(fēng);;PCNN和最大相關(guān)準(zhǔn)則相結(jié)合的圖像分割方法[J];計算機(jī)工程與應(yīng)用;2011年14期

7 李海燕;張榆鋒;徐丹;施心陵;;單一鏈接PCNN自適應(yīng)脈沖噪聲濾波[J];計算機(jī)工程與應(yīng)用;2011年27期

8 榮劍;趙同林;趙毅力;張晴暉;;基于加性耦合連接的PCNN模型[J];現(xiàn)代電子技術(shù);2011年22期

9 宋寅卯;朱曉輝;;圖像分割中PCNN的應(yīng)用研究[J];電腦開發(fā)與應(yīng)用;2010年03期

10 羅美淑;劉世勇;石磊;;基于微分進(jìn)化的PCNN圖像分割方法[J];計算機(jī)工程;2010年21期

相關(guān)會議論文 前10條

1 Tianfei Chen;Xiang Wu;Xiujuan Li;;A Bran Specks Detection Method Based on PCNN[A];2015年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2015年

2 周一;陳義宗;;有限發(fā)散脈沖波PCNN及其應(yīng)用[A];2009通信理論與技術(shù)新發(fā)展——第十四屆全國青年通信學(xué)術(shù)會議論文集[C];2009年

3 辛保軍;張講社;;基于自動波現(xiàn)象的PCNN模型及其應(yīng)用[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

4 杜華;周冬明;趙東風(fēng);白云洪;林琳;;一種基于調(diào)權(quán)PCNN的最短路徑算法[A];2007'儀表，自動化及先進(jìn)集成技術(shù)大會論文集（一）[C];2007年

5 李海燕;周冬明;徐丹;;一種基于PCNN的灰度圖像邊緣檢測新方法[A];2007'儀表，自動化及先進(jìn)集成技術(shù)大會論文集（一）[C];2007年

6 蒲蓬;王衛(wèi)星;;基于改進(jìn)的PCNN的菌落圖像分割方法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

7 李平;章毅;;結(jié)合復(fù)雜網(wǎng)絡(luò)的PCNN圖像分割法[A];2006全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文集[C];2006年

8 趙仕杰;柏正堯;姚娜;李德儉;;基于簡化PCNN模型及信息熵最大準(zhǔn)則的生物細(xì)胞圖像分割[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

9 楊林森;陶冰潔;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像內(nèi)容融合[A];全國第一屆信號處理學(xué)術(shù)會議暨中國高科技產(chǎn)業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議�？痆C];2007年

10 譚穎芳;聶仁燦;周冬明;趙東風(fēng);;基于PCNN和最大相關(guān)準(zhǔn)則的圖像分割[A];2007'儀表，，自動化及先進(jìn)集成技術(shù)大會論文集（一）[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 楊臻;脈沖耦合神經(jīng)網(wǎng)絡(luò)模型分析及其相關(guān)應(yīng)用研究[D];蘭州大學(xué);2019年

2 賀付亮;復(fù)雜環(huán)境下用于紅外人體目標(biāo)分割的PCNN模型研究[D];重慶大學(xué);2018年

3 馬義德;生物信息的數(shù)字圖像處理技術(shù)研究[D];蘭州大學(xué);2001年

4 李海燕;脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像增強(qiáng)與人臉檢測中的應(yīng)用研究[D];云南大學(xué);2010年

5 何水明;PCNN在圖像處理中的若干問題研究[D];中國地質(zhì)大學(xué);2014年

6 王成;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的感興趣區(qū)圖像檢測方法及應(yīng)用[D];華南理工大學(xué);2010年

7 鄧翔宇;PCNN機(jī)理研究及其在圖像處理中的參數(shù)自適應(yīng)設(shè)置[D];蘭州大學(xué);2013年

8 聶仁燦;脈沖耦合神經(jīng)網(wǎng)絡(luò)關(guān)鍵特性的理論分析及應(yīng)用研究[D];云南大學(xué);2013年

9 張紅娟;基于PCNN的圖像去噪和圖像增強(qiáng)方法研究[D];蘭州大學(xué);2011年

10 李小軍;PCNN改進(jìn)模型及其在不變紋理檢索和最短路徑求解中應(yīng)用[D];蘭州大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 王Oz;基于PCNN模型的多聚焦圖像融合算法研究[D];云南大學(xué);2017年

2 朱麗麗;基于非下采樣剪切波變換和PCNN模型的乳腺鈣化點(diǎn)檢測[D];蘭州大學(xué);2018年

3 南曉艷;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的聲吶圖像濾波與分割[D];內(nèi)蒙古大學(xué);2018年

4 張強(qiáng);基于MFO算法與PCNN的圖像分割研究[D];蘭州大學(xué);2018年

5 侯娟;圖像處理中的Grouplet變換方法研究[D];南昌航空大學(xué);2017年

6 趙成晨;基于改進(jìn)PCNN和稀疏表示的非下采樣剪切波域醫(yī)學(xué)圖像融合[D];河北大學(xué);2017年

7 于海慧;基于PCNN的圖像融合方法的研究[D];華北電力大學(xué);2015年

8 閆海鵬;基于PCNN的降噪方法及其應(yīng)用研究[D];內(nèi)蒙古科技大學(xué);2015年

9 鐘子龍;PCNN圖像壓縮編碼的改進(jìn)和研究[D];蘭州大學(xué);2014年

10 唐寧;PCNN的優(yōu)化及在醫(yī)學(xué)圖像分割中的應(yīng)用研究[D];南方醫(yī)科大學(xué);2012年

本文編號：2654029