N图像处理.doc

244 第九章脉冲耦合神经网络 PCNN 图像处理技术脉冲耦合神经网络 PCN N是20世纪90 年代以来人工神经网络应用于图像处理领域时取得的最重要的研究成果。因此, 美国已经将 PCNN 应用于军事目标的分析处理和大型医疗设备中特定图像分析。但到目前为止, PCNN 的理论并不成熟。表现在: PCNN 参数较多, 需要经验选择; 参数选定时通常循环迭代次数需要人工决定, 破坏了 PCNN 应用于图像处理时不需要像传统神经网络那样经过学****和训练的优点。本章通过作者多年来对 PCNN 的应用研究, 分析和讨论了 PCNN 课题组在此方面研究的主要贡献, 实现了植物胚性细胞图像的最佳自动分割, 解决了循环迭代次数的自动确定, 发展了 PCNN 理论研究。第一节脉冲耦合神经网络 PCNN 图像处理技术脉冲耦合神经网络中, 局部区域相邻连接的一个神经元的激发, 会引起其周围相似神经元的连串同步激发,如果把二维图像矩阵 M×N 理解为 M×N个 PCNN 神经元模型,则其每一个像素的灰度值对应为每个神经元的输入 S ij 。当内部连接矩阵 M、W 所在邻域内有灰度值相近的像素存在时, 则其中某一个象素对应的神经元激发产生的脉动输出将会引起附近其它具有类似灰度的像素所对应的神经元的激发, 产生脉动序列输出 Y[n] 。显然,序列 Y[n] 包含有图像区域信息、边缘、纹理特征等信息,这样它就能实现图像平滑[117 , 118] 、降噪[119] 、边缘[120] 、纹理等特征提取[117] ,当然也能实现图像分割[118] 。平滑与降噪: 噪声附加在图像像素上, 噪声像素与周围像素相关性很小, 灰度差别较大,显然,图像中某一局部区域神经元激发自然就不会引起噪声像素对应神经元的激发, 反之, 噪声对应神经元的激发也不会引起所在区域对应图像神经元的激发。这样借助 PCN N 在不同区域的激发, 通过修正区域中噪声像素灰度值大小实现图像的平滑处理[117] 。如果一个神经元的激发没有引起所在区域附近大多数神经元的激发, 就说明该神经元对应像素可能是噪声点, 应该修正该像素灰度值, 具体地当该神经元的激发发生在其所在区域大多数神经元激发之前(后) ,就减小(增加)该神经元对应像素的灰度值,直到所在区域神经元一起激发产生脉冲序列, 此时平滑完成的同时实现了降噪处理, 对于脉冲噪声, 这种降噪效果很好,所以还有很多改进 PCNN 降噪方案[ 119 ]。 PCNN 平滑较邻域平均和中值滤波性能更好。邻域平均使得边缘高频细节模糊, 而中值滤波出现边缘的腐蚀或者膨胀失真。边缘、纹理等特征信息提取: 图像局部区域范围内灰度值接近的神经元具有相似的内部活动项, 其中某一个神经元的激发将会引起这些神经元的同步激发, 激发产生脉冲簇就自然逐步影响在区域边缘附近类似神经元的激发,实现边缘纹理等特征信息的提取处理[116] ,还有 PCNN 对图像中研究目标的几何变换(平移、旋转、歪斜、缩小等)保持不变的特点,进一步能实现图像中目标的分类[121] 。图像分割: PCNN 图象分割技术是当前非常重要的研究和应用热点, 国际生物医学工 245 程学会 2001 年会议的一个主要议题就是哺乳动物视觉皮层神经网络模型应用研究及其工程实现, PCNN 为单层模型神经网络,这点有别于传统多层网络,因此非常适合实时图像处理环境。尽管 John L. Johnson [123] 总结了 PCN N 模型试验参数与分割效果关系, 并总结了 PCN N 的现状和应用。但目前理论很难解释 PCNN 数学模型参数与图像分割效果之间的关系,其理论探讨及应用研究正在逐步深入[117 , 118 , 124 , 125 , 126], Joakim Waldemark [121] 进行了以 PCN N 分割为主的混合神经网络军事目标自动分类; [127] 等分析了目标与背景重叠时最佳分割条件; Thomas Lindblad [120] 比较了小波变换和 PCNN 网络各自的特点; Alexei [117] 提出了 PCN N 模型并行快速分割和边缘识别方法, 同时将 PCN N 算法应用于复杂纹理的图象分割, 并比较了加入抑制项前后两种分割效果, 特别指出寻找合适的分割判断准则对 PCNN 分割处理至关重要。 PCNN 需要恰当设置其数学模型中各种门限参数、衰减时间常数、加权因子、连接系数等, 才能实现最佳分割。一般较好分割效果获得需实验多次选择这些参数,特别是其循环迭代运算次数的确定是一个难题。而在参数选定情况下, 循环迭代次数直接关系到分割结果的好坏。第二节基于 PCNN 和图像熵的自动图像分割新方法一、引言人工神经网络本身具有的分类属性