本文關(guān)鍵詞： 改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)(IPCNN) 異質(zhì)脈沖耦合神經(jīng)網(wǎng)絡(luò)(HIPCNN) 自適應(yīng)參數(shù)設(shè)置 圖像分割 圖像邊緣檢測(cè)　出處：《蘭州大學(xué)》2017年博士論文　論文類型：學(xué)位論文

【摘要】：脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(PCNN)是在20世紀(jì)90年代末由Johnson等人在Eckhorn的哺乳動(dòng)物視覺(jué)皮層模型基礎(chǔ)上提出的。該模型具有非線性調(diào)制耦合、非線性動(dòng)態(tài)閾值衰減、動(dòng)態(tài)脈沖發(fā)放及同步脈沖發(fā)放等特性,是一種不同于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的新型人工神經(jīng)網(wǎng)絡(luò)模型,被認(rèn)為是第三代人工神經(jīng)網(wǎng)絡(luò)。PCNN模型對(duì)圖像的處理結(jié)果具有良好的旋轉(zhuǎn)不變性、尺度不變性、畸變不變性及信號(hào)強(qiáng)度不變性等特性,并且很好地模擬了生物視覺(jué)神經(jīng)系統(tǒng)的基本運(yùn)作機(jī)理,更符合人眼視覺(jué)特性,因而在圖像處理、計(jì)算機(jī)視覺(jué)等領(lǐng)域有著得天獨(dú)厚的優(yōu)勢(shì)。本論文對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了系統(tǒng)、深入的研究,在分析了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(PCNN)、交叉皮質(zhì)模型(ICM)、脈沖皮質(zhì)模型(SCM)、簡(jiǎn)化PCNN模型(SPCNN)的運(yùn)行機(jī)理和特性的基礎(chǔ)上,提出了一種自適應(yīng)參數(shù)設(shè)置的改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(IPCNN),并在此基礎(chǔ)上提出了一種異質(zhì)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(HIPCNN)。并將這兩種方法應(yīng)用到圖像分割、圖像邊緣檢測(cè)等圖像處理領(lǐng)域,使用Berkeley分割數(shù)據(jù)集和國(guó)際標(biāo)準(zhǔn)圖像庫(kù)進(jìn)行算法測(cè)試,取得了較好的效果。本論文主要開(kāi)展了以下研究工作:1.簡(jiǎn)要介紹了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型PCNN的發(fā)展歷程、研究現(xiàn)狀及存在的問(wèn)題,介紹了PCNN模型的基本結(jié)構(gòu)及常用的改進(jìn)模型ICM、SCM、SPCNN模型,著重分析了PCNN模型的運(yùn)行機(jī)理和特性,并簡(jiǎn)要分析了PCNN模型中各參數(shù)的作用。提出了一種將PCNN模型和圖像質(zhì)量、數(shù)學(xué)形態(tài)學(xué)等處理方法相結(jié)合對(duì)顯微血細(xì)胞圖像中紅細(xì)胞進(jìn)行計(jì)數(shù)的方法,對(duì)于應(yīng)用了不同染色方法、來(lái)自不同放大倍數(shù)顯微鏡的血細(xì)胞圖像中的紅細(xì)胞均能更準(zhǔn)確地進(jìn)行計(jì)數(shù),是一種可行的實(shí)用型方法。2.提出了一種自適應(yīng)參數(shù)設(shè)置的改進(jìn)型脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(IPCNN),既減少了參數(shù)數(shù)量,又保持了PCNN模型的反饋連接和輸入連接模式;深入研究了IPCNN模型的動(dòng)力學(xué)特性及其工作機(jī)理,構(gòu)建了輸入圖像的靜態(tài)特性和神經(jīng)元的動(dòng)態(tài)特性之間的聯(lián)系,從而自適應(yīng)的設(shè)置IPCNN模型中所有4個(gè)參數(shù),避免了傳統(tǒng)方法中人工手動(dòng)設(shè)置的不便,提高了參數(shù)對(duì)不同類型圖像的適應(yīng)性,且該方法不需要進(jìn)行訓(xùn)練和預(yù)試驗(yàn),是一種適合圖像實(shí)時(shí)處理的改進(jìn)型脈沖耦合神經(jīng)模型。3.在IPCNN模型的基礎(chǔ)上提出了一種異質(zhì)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型(HIPCNN),該模型將目前大多數(shù)研究中PCNN模型的固定連接強(qiáng)度?值根據(jù)圖像局部靜態(tài)特性進(jìn)行調(diào)制,構(gòu)建了各向異性的可變連接強(qiáng)度?值,形成了一種全異質(zhì)神經(jīng)網(wǎng)絡(luò)模型,創(chuàng)新性地將全異質(zhì)網(wǎng)絡(luò)引入到脈沖耦合神經(jīng)網(wǎng)絡(luò)模型中。4.將IPCNN模型、HIPCNN模型應(yīng)用于圖像處理中:在圖像分割應(yīng)用中能根據(jù)圖像靜態(tài)特性自適應(yīng)的設(shè)置模型參數(shù),與標(biāo)準(zhǔn)PCNN模型相比,所用迭代次數(shù)更少,提高了圖像處理效率,是一種高效的圖像處理模型,適用于圖像的實(shí)時(shí)處理相關(guān)領(lǐng)域;在圖像邊緣檢測(cè)應(yīng)用中提出了一種IPCNN/HIPCNN和PCNN模型聯(lián)合的二級(jí)模型,該模型能簡(jiǎn)單、高效地獲得圖像邊緣信息。
[Abstract]:This paper presents a new type of artificial neural network model , which is different from the traditional artificial neural network , which is a new artificial neural network model which is different from the traditional artificial neural network . In this paper , we put forward an efficient image processing model , which is suitable for the real - time processing of the image . In the application of image edge detection , a new level two - level model is proposed , which can be applied to the real - time processing of images .

【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 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

2 鄧翔宇;馬義德;;PCNN參數(shù)自適應(yīng)設(shè)定及其模型的改進(jìn)[J];電子學(xué)報(bào);2012年05期

3 張昕;孫富春;;Pulse Coupled Neural Network Edge-Based Algorithm for Image Text Locating[J];Tsinghua Science and Technology;2011年01期

4 ;Color image enhancement based on HVS and PCNN[J];Science China(Information Sciences);2010年10期

5 劉R，

本文編號(hào)：1456055