脉冲耦合神经网络模型分析及其相关应用研究

发布时间：2020-05-08 03:19

【摘要】：脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)作为人眼视觉特性的数学抽象,已被广泛应用到图像处理的各个领域。然而,早期经典PCNN模型复杂,参数众多,计算复杂度高,处理效率低。针对以上问题,许多学者致力于PCNN模型的简化以及参数的设定。研究结果表明,简化后的模型性能并未下降,同时需要设置的参数个数减少,更有利于模型的迁移应用。在模型简化方面,最著名的模型有简化脉冲耦合神经网络(Simplified Pulse Coupled Neural Network,SPCNN)、交叉皮层模型(Intersecting Cortical Model,ICM)和脉冲发放皮层模型(Spiking Cortical Model,SCM)等,以上模型在图像增强、分割、去噪、边缘检测和目标识别等领域被广泛应用,极大地促进了相关领域的发展。在参数设置方面,有根据经验的设置法,也有基于图像统计特性的自动参数设置方法,还有基于数据集训练参数的方法。可以看出,模型简化和参数设置构成了PCNN模型相关研究的两大阵营,越来越多的学者投入到PCNN模型研究中。本文以经典PCNN模型为研究对象,旨在探索、分析和研究基于PCNN模型的图像处理方法,提出了若干改进的PCNN模型,并将其用到了目标检测、图像分割和量化压缩等领域,本论文主要的研究工作和贡献如下:1.经典PCNN模型将图像处理问题转换为神经元点火问题,其中每个像素对应一个神经元。但是传统PCNN的数学耦合特性使得神经元点火时刻都为整数,不能很好的模拟真实神经元的自然点火时刻-非整数时刻点火。基于该问题,本文提出了非整数步长指数的SPCNN模型,通过在迭代过程中加入非整型步长,使PCNN的数学耦合点火特性基本消失,神经元点火时刻接更近真实值。同时这种非整数级别的步长使得PCNN模型处理图像更为精细,尤其在不确定的边界或目标处,通过减少步长,处理分辨率更高,检测和分割更为细腻精致。另外,通过与多分辨率分析理论相结合,该模型被成功应用到乳腺钼靶X线钙化点检测任务中去,能有效地从复杂环境中检测出混合在高频组织中的乳腺病灶。2.哺乳动物的不同神经元在结构和连接上存在明显差异,这种差异(异构特性)使得动物神经元在感知图像时能高效提取图像信息,为视觉系统处理图像提供有力保障。本论文基于神经元异构理论提出一种异构的简化脉冲耦合神经网络(Heterogeneous Simplified Pulse Coupled Neural Network,HSPCNN)用于自然图像的分割,HSPCNN由几个不同参数的SPCNN按照不同的权重连接形成并行处理模型,其参数完全自适应设置,并且每个SPCNN单元拥有不同强度的归一化输出,对应大脑不同区域对外界刺激不同程度的响应。此模型可按照灰度级将图像分割成不同的区域。针对图像分割评价指标信息变差(Variation of Information,VI)表达力不足的缺陷,本文引入类间误差和类内误差将之修订,并成功应用于图像分割的性能评价中。3.针对异构脉冲耦合神经网络(Heterogeneous Pulse Coupled Neural Network,HPCNN)在图像量化中出现边界效应这一缺陷,本文提出了一种新的异构网络模型 (Sine-Cosine Heterogeneous Pulse Coupled Neural Network,SC-HPCNN),将正余弦振荡项引入神经元点火阈值和内部活动项中形成SC-PCNN。正余弦振荡器由于振荡波动可使动态阈值和内部活动项获得短时微小增量,这种增量能有效抑制系统累积噪声并使分割结果迅速收敛,此模型与形态学操作结合后可消除系统噪声扰动和外界噪声影响。利用此模型将原图像分割成目标区域和背景区域后,分别采用两个不同参数的PCNN单元对目标区域和背景区域量化,这种由SC-PCNN和两个不同参数PCNN组成的异构结构就是SC-HPCNN,最终通过叠加两PCNN输出的赋时矩阵并取反之后获得原始图像的量化压缩图像。
【学位授予单位】：兰州大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP391.41;TP183

【相似文献】