【摘要】：脈沖耦合神經(jīng)網(wǎng)絡(Pulse Coupled Neural Network,PCNN)作為人眼視覺特性的數(shù)學抽象,已被廣泛應用到圖像處理的各個領域。然而,早期經(jīng)典PCNN模型復雜,參數(shù)眾多,計算復雜度高,處理效率低。針對以上問題,許多學者致力于PCNN模型的簡化以及參數(shù)的設定。研究結(jié)果表明,簡化后的模型性能并未下降,同時需要設置的參數(shù)個數(shù)減少,更有利于模型的遷移應用。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(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、分割、去噪、邊緣檢測和目標識別等領域被廣泛應用,極大地促進了相關領域的發(fā)展。在參數(shù)設置方面,有根據(jù)經(jīng)驗的設置法,也有基于圖像統(tǒng)計特性的自動參數(shù)設置方法,還有基于數(shù)據(jù)集訓練參數(shù)的方法。可以看出,模型簡化和參數(shù)設置構(gòu)成了PCNN模型相關研究的兩大陣營,越來越多的學者投入到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,提出了若干改進的PCNN模型,并將其用到了目標檢測、圖像分割和量化壓縮等領域,本論文主要的研究工作和貢獻如下:1.經(jīng)典PCNN模型將圖像處理問題轉(zhuǎn)換為神經(jīng)元點火問題,其中每個像素對應一個神經(jīng)元。但是傳統(tǒng)PCNN的數(shù)學耦合特性使得神經(jīng)元點火時刻都為整數(shù),不能很好的模擬真實神經(jīng)元的自然點火時刻-非整數(shù)時刻點火�；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)學耦合點火特性基本消失,神經(jīng)元點火時刻接更近真實值。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,尤其在不確定的邊界或目標處,通過減少步長,處理分辨率更高,檢測和分割更為細膩精致。另外,通過與多分辨率分析理論相結(jié)合,該模型被成功應用到乳腺鉬靶X線鈣化點檢測任務中去,能有效地從復雜環(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(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按照不同的權重連接形成并行處理模型,其參數(shù)完全自適應設置,并且每個SPCNN單元擁有不同強度的歸一化輸出,對應大腦不同區(qū)域?qū)ν饨绱碳げ煌潭鹊捻憫�。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信息變差(Variation of Information,VI)表達力不足的缺陷,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(Heterogeneous Pulse Coupled Neural Network,HPCNN)在圖像量化中出現(xiàn)邊界效應這一缺陷,本文提出了一種新的異構(gòu)網(wǎng)絡模型 (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。
【學位授予單位】：蘭州大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻】

相關期刊論文 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[J];計算機工程與設計;2017年01期

2 鄧海穎;周冬明;聶仁燦;;PCNN的周期特性分析[J];云南大學學報(自然科學版);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圖像分割技術研究[J];現(xiàn)代電子技術;2014年02期

5 王念一;馬義德;綻琨;;PCNN理論研究進展及其語音識別中的應用[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;;PCNN和最大相關準則相結(jié)合的圖像分割方法[J];計算機工程與應用;2011年14期

7 李海燕;張榆鋒;徐丹;施心陵;;單一鏈接PCNN自適應脈沖噪聲濾波[J];計算機工程與應用;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;2011年22期

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

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

相關會議論文 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術會議論文集（第一分冊）[C];2015年

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

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

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

6 蒲蓬;王衛(wèi)星;;基于改進的PCNN的菌落圖像分割方法[A];2008'中國信息技術與應用學術論壇論文集（一）[C];2008年

7 李平;章毅;;結(jié)合復雜網(wǎng)絡的PCNN圖像分割法[A];2006全國復雜網(wǎng)絡學術會議論文集[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則的生物細胞圖像分割[A];中國儀器儀表學會第十一屆青年學術會議論文集[C];2009年

9 楊林森;陶冰潔;;基于脈沖耦合神經(jīng)網(wǎng)絡的圖像內(nèi)容融合[A];全國第一屆信號處理學術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;;基于PCNN和最大相關準則的圖像分割[A];2007'儀表，，自動化及先進集成技術大會論文集（一）[C];2007年

相關博士學位論文 前10條

1 楊臻;脈沖耦合神經(jīng)網(wǎng)絡模型分析及其相關應用研究[D];蘭州大學;2019年

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

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

4 李海燕;脈沖耦合神經(jīng)網(wǎng)絡及其在圖像增強與人臉檢測中的應用研究[D];云南大學;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;2014年

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

7 鄧翔宇;PCNN機理研究及其在圖像處理中的參數(shù)自適應設置[D];蘭州大學;2013年

8 聶仁燦;脈沖耦合神經(jīng)網(wǎng)絡關鍵特性的理論分析及應用研究[D];云南大學;2013年

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

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

相關碩士學位論文 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;2017年

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

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

4 張強;基于MFO算法與PCNN的圖像分割研究[D];蘭州大學;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;2017年

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

7 于�；�;基于PCNN的圖像融合方法的研究[D];華北電力大學;2015年

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

9 鐘子龍;PCNN圖像壓縮編碼的改進和研究[D];蘭州大學;2014年

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

本文編號：2654029