（计算机应用技术专业论文）一种基于pcnn的低对比度灰度图像增强方法及其评价.pdf

摘要 摘要 本课题主要从事脉冲耦合神经网络( p u l s e c o u p l e dn e u r a ln e 晰o r k s ，以下简 称p c n n ) 对数字图像处理应用的理论研究工作，具体考察它在图像增强中的应 用。该项目受国家自然科学基金资助，属于基础理论研究。p o 蝌是近年来提出 的一种新型网络，属于第三代神经网络。通过对p o n 工作原理和行为机制的深 刻剖析，本文提出基于p a q n 的低对比度的灰度图像增强算法。该算法应用了 p 臼聪的有关特性，并结合了直方图均衡增强算法的思想实现了图像的整体增强， 并利用p c n n 的侧抑制和捕获特性实现了局部增强。为了对本文的算法做出客观 公正的评价，应用了大量的其它方法作对比实验，同时参考了主观和客观的多种 评价方法，并对其做出了主观和客观的综合评价。与传统的增强方法相比，本文 算法在改善图像整体对比度的同时，实现了局部对比度的增强，无论在主观评价 还是在客观评价方面，都取得了很好的效果。 关键词：脉冲耦合神经网络图像增强灰度图像评价 a b s t r 矧 a b s t r a c t 皿i s p a p e rp r 鹤e n t s t h e t h c o r y w s e a t c ho f i m a g cp i _ o c c s s 洫gt 1 1 0 u 曲 p i l l s e - c o u p l e dn c u r a l 咖r k s 口c n n ) a t s 锄ct i m e ，w cr c a r c ht h e a p p l i c a t i o fp o 州i nt h ei m a g ee h 柚c e m c n l1 k ss u b j e c lw h i c hi sf l i n d e db yt h e f l i n do fn a t i 帆n a t w a ls c i e i 戤b c l o n 黟t ot h cb 勰i ct h r y 托a r c h p a q n ，w h i c hi sa n c wm o d dp f c n t c dr e c c n t l y 柚db c l o n g e dt 0t h ct h j 硼g 胁e m t i n 朋r a ln e 恼o r k s t h i sp 印e fj n m ) d u c 瞵an e wm c t h o do fl o w n 打硒tg m yi m 喈cc n h 如咖c n tb 弱c do n p c n na f c c rs n l d y i n gt h eo p c f a t i o nd 锄曲临姐da c 哇m e c h a 面s mo fp ( n n t h e a l g o f i t h ma d l i c v 船t h ew h o l ee n h 锄咖曲tb yu s i gt h c 蛔n l r eo fp a 州。卸d 恤 e n h a n c c da l 鲥t l 瑚o fh i s t o g r a me q u a l i 盈b 0 n 龇o t h 盯h 锄d 血cc h 盯a c t e r i s t i co f s i d e - 肼球：鼹i n g 姐dc a p t u r em e c h a n i s mi p a 蝌i su s e dt oa c h i e v et h c1 0 c a lc 0 盯t m s t e n h a n 伽如to f i m a g c t 0c v a l u a t c o 叫m e t h o d w e u a m e 嚣0 fo t h e 巧m c t h o d s 粕d s 咖cm e t h o d so fs u b j 洲v ec 、，a l u a t i c n do q 6 v ec v a l u a t i o ，m p a r c dw i t i l v 训a lm e t h o d ，rm e t h o dh 舔a 伊髓te 蚴c n 髓s to n l yi nt h eo v e r a l l c o m r a s tc n h 柚c 如c n tb u ta l s oj nt h cl o c a l 咀灯柚tc n t 埘搬m e n to ft l i ce x a m i n e d i m a g e s k 昭w o r d ：p c n n ( n i l s e - c 伽嘲耐n 哪礴ln e t 刑l 哟；i m - 秘e n h 曲蛐t ；g 糟y 岫g e ；a 阳l i s e 眦眦 创新性声明 y8 5 8 7 7 5 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究 成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不 包含其他人已经发表或撰写过的研究成果：也不包含为获得西安电子科技大学或 其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做 的任何贡献均已在论文中做了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：往盛敛日期翘2 占f 笸 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生 在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕业 离校后，发表论文或使用论文工作成果时署名单位仍然为西安电子科技大学。学 校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部 或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。 本人签名： 导师签名： 日期筮必：f ：占_ 日期塑! 么! ：i f 第一章绪论 第一章绪论 1 1 序言 脉冲耦合神经网络( p u l s 争c 【m p l c dn c m ln e t w o f k s ，以下简称p c n n ) 是近 年来提出的一种新型网络，被称为第三代神经网络【9 j 。它是通过模拟猫的大脑视 觉皮层中同步脉冲发放行为而建立起来的一个简化模型1 9 】，因此它和视觉神经系 统感知图像的能力有着天然的联系。 目前关于p q 蝌理论方面的研究在国外从1 9 9 8 年才刚刚开始，在国内就开 展得更少。大多数有关p ( n n 处理图像的研究都集中在其输出信号对输入图像的 灰度的频率调制上，且主要研究波的形成与传播以及对目标的特征提取等方面。 本文则从p q 州的点火时刻与输入图像的灰度值之间建立了联系，把p c n n 应用 与灰度图像的增强上。本算法巧妙的融合了直方图均衡法的思想，以及加入了 p c n n 的捕获特性和侧抑制，成功的提出一种新的算法，并取得了很好的效果。 对于图像增强方法的效果的评价，目前并没有通用的标准。由于图像增强主 意的目的是要获得视觉效果更好的图像，因此观察者是某种增强技术的最终评判 者。当然了，这是一个相当主观的过程。另外，除了这种主观的评价以外，还有 些客观的评价标准。当然，这也不是完美的。在实际的判断中，我们应该充分 的考虑主观和客观的两种评价，综合的给出合理的判断。本文也是遵循这个原则 来对我们提出的算法和其它的算法做出评价。 1 2 概述 图像是应用各种观测系统以不同形式和手段观测客观世界而获得的，可以直 接或间接作用于人眼，并产生视知觉的实体。图像的形式很广泛，有自然的图像， 例如照片；也有人工图像，例如那些在计算机上通过数字技术创造出来的测试图 像1 4 j 。我们现在生活在一个信息的时代，科学统计表明，人类从外界获得的信息 大约有7 5 来自视觉系统，而图像就是视觉系统获取信息的重要来源n 如何从 图像中尽可能大的获取有价值的信息，是图像处理中的一个极具挑战性的课题。 图像增强就是实现上述目的而产生的一种处理技术。图像增强是。大类基础 的图像处理技术的总称，它包括的内容非常广泛。如去掉图像的噪声、抽取图像 ! 一种基于p c n n 的低对比度灰度图像增强方法及其评价 中一些目标的轮廓、图像的勾边处理、提取图像中的特征以及把黑白图像映射成 为彩色图像的技术等等【2 1 。狭义的来讲，图像增强技术，其目的是对图像进行加 工，以得到对具体应用来说视觉效果更“好”，更“有用”的图像i ”。它也是一项 预处理技术，为图像的下一步处理和应用做准备。图像增强作为一种基础的图像 处理技术，多年来提出了很多算法，如直方图均衡化和宣方图规定化等。按其处 理的方法可分为空间域方法和交换域方法，按其处理的范围可分为全局处理和局 部处理，按其处理的对象可分为灰度图像处理和彩色图像处理。 另外，需要强调的是，在图像增强当中，没有因为考虑到图像的一些理想形 式而去有意识的努力改善图像的真实度。实际上，有证据表明通常一幅失真的图 像，例如在物体边缘存在振幅过冲和反冲的图像，在感觉上比一幅原始图像的完 美重现更加另人满意1 4 j 。 人眼的视觉模型是人们通过研究视觉感受器官对光刺激的反应而建立起来 的，已提出的人眼视觉模型有亮度视觉模型和彩色视觉模型。彩色视觉模型是一 个正在研究的问题，这里面有很多假说，我们对它不作讨论。在亮度视觉模型里， 根据传统的信号与系统的理论，把入跟近似为一个线性光学系统来分析它，并将 其中视觉神经网络把光接收细胞感受的亮度转化为神经冲动的功能用感知神经网 络来实现。通过研究p c n n 对数字图像的处理特性，我们发现k 謦讯更适合于模 拟人眼视网膜表面上神经网络对光接收细胞感受到的亮度的处理和转化。随之改 进了标准的p o i n ，使之用于我们的图像处理算法上。 我们提出的基于p q q n 的图像增强算法，通过模拟马茄带效应来改善图像当 中的局部对比度，同时通过对图像灰度值的变换( 基于直方图) 来改善它的接体 对比度，获得了非常好的增强效果。 总之，本文主要阐述了两个方面的工作，一是通过研究p c n n 对数字图像的 处理特性，深刻剖析了p q 小的工作原理和行为机制，并在此基础上对标准的 p c n n 进行了改进，提出了基于p o 州的低对比度灰度图像的增强算法；二是在 仿真实验的基础上，通过主观和客观的评价方法，对我们的算法做出了综合的和 合理的评价，从而显示出我们算法的突出性能。 1 3 本论文内容的安排 正如前面所述，图像增强是一项很重要的图像处理技术，它的性毹直接影响 到处理后的图像的视觉效果，并且还关系到图像的进一步处理。而p c n n 是一种 新型的神经网络模型，关于它的理论研究和工程应用还不是十分的成熟。作者在 论文工作期间，首先对现有的图像增强技术作归纳总结，然后重点介绍我们提出 第一章绪论 的基于p c n n 的图像增强算法，并在仿真实验的基础上，对算法做出综合的评价。 各章节的内容安排如下： 第一章绪论概要的介绍本文的研究方向和研究成果。 第二章详细的介绍成熟的和新颖的各种图像增强技术。 第三章介绍p c n n 的兴起发展以及它的工作原理。 第四章详细的介绍我们提出的基于p o 州图像增强算法。 第五章给出了本文算法的仿真实验结果，以及跟已有的一些算法进行对比， 给出了主观和客观的综合评价。同时指出本文算法的适用范围。 第六章是结束语，对整个论文的工作总结，在简单回顾论文工作的基础上， 对p c n n 在图像处理技术上的应用提出个人的一些看法。 该项研究在国家自然科学基金项目( 编号：6 0 5 7 4 0 3 9 和6 0 0 7 1 0 2 6 ) 和国家留 学基金项目支持下进行的； 一种基于p c n n 的低对比度灰度图像增强方法及其评价 第二章图像增强的各种技术 2 1 引言 在图像采集的时候由于种种原因的限制，例如主观的技术问题，还有客观的 器材的条件，光线的好坏等等，采集到的图像并不定令人满意。但一幅图像的 采集往往要付出很大的代价，而且有的图像采集的机会就只有一次，以后再也不 会出现，所以这些图像显得十分的珍贵。虽然图像的效果不好，但图像里包含的 信息也是十分的宝贵，需要好好利用。在采集列的图像当中，有一类图像，明显 的偏暗，对比度低，某些局部细节没有明显的灰度差别等特征，使人眼的视觉分 辩，机器的识别，机器的进一步处理都造成了困难。因此需要一项技术进行处理， 这就是图像增强。 图像增强的实质就是对图像的各个象素点的灰度值进行变换、处理，增强图 像的对比度。目的就是改善图像的外观，使之处理后的图像比原图像更适合人眼 的视觉特征或机器的识别。数字图像的处理技术从本质上可以分为空域的方法和 变换域的方法两大类，图像增强也不例外。主要的空域方法有直方图均衡化、直 方图规定化、灰度窗口和空域滤波等技术，而频域方法有高通滤波、低通滤波、 带通和带阻滤波等技术。 具体而言，空域法是直接对图像中的像素进行处理，对图像的灰度作映射变 换，其所用的变换取决于增强的目的。若我们用o ，y ) 表示图像中像素的坐标， ，( 五y ) 表示一副图像，则空域增强方法可以表示为： 占杠，_ ，- j e h 【，忸，) ，j j ( 2 - 1 ) 式中，b ，) ，) 和g b ，) ，) 分别为增强前后的图像，而e h 代表增强操作。如果e h 是定 义在每个似) ，) 上的，则肼是点操作；如果e h 是定义在g ，) ，) 的某个邻域上，则 明常称为模板操作【”。 频域法就是将原定义在图像空间的图像以某种形式转换到其它空间，并利用 在这些空间的特有性质方便的进行一些加工，最后再转换回图像空间以得到所需 的效果。最常用的变换空间是频域空间。频域空问增强方法有两个关键：a 将图 像从图像空间变换到频域空间所需的变换( 设用，表示) 以及再将图像从频域空间 转换回图像空间所需的变换( 设用r 。表示) ；b 在频域空间对图像进行增强加工 的操作( 设脚表示) 。那么频域增强方法可以表示为： g g ，y ) 。r 。1 仁h 口 ，b ，y ) 皿 ( 2 2 ) 第二章图像增强的各种技术 式中，0 ，y ) 和g 仁，y ) 的定义同式( 2 1 ) 。 我们在这一章先对比较成熟的空域增强法和频域增强法进行介绍，然后再介 绍一下今年来出现的一些性能优秀的新颖的方法。 2 2 空域变换增强 正如前面所述，空域法是直接在图像空间对图像的象素灰度值进行操作。主 要的方法有直接灰度变换、直方图处理、空域滤波增强等方法。具体介绍如下： 直方图反映了图像总体灰度值的分布情况，但不包含位置信息。基于直方图 的一类方法是通过对直方图进行修改，使图像灰度值的分布满足我们的需要，下 面列出了几种常见的和典型的方法。 2 2 1 直接灰度变换 f l f 一l 上一l k t 厂 。 、。 ( 乜) o 一 一l s g ) o l l 3 ，f 一1 一l 厂 | 。 一l 0 j s2 叠) o 一 一l s p ) o 一l s 图2 1 直接灰度变换曲线 常用的直接灰度变换如图2 1 所示。这类变换比较简单，图中的曲线反映了变 换前后的灰度映射关系。横坐标( s ) 表示原图像的灰度值，纵坐标( t ) 表示变换 后图像的灰度值。原图像的灰度值和变换后图像的灰度值一一对应。 1 图像求反 图像求反是将原图像灰度值翻转，亮的象素变暗，暗的象素变亮。具体的变 换关系如图2 1 的( a ) 所示。图中的曲线实际上是一条直线，也就是说，这种变 ! 一种基于p o 州的低对比度灰度图像增强方法及其评价 换是线性的。普通黑白底片和照片的关系就是图像求反中比较形象的例子。 2 对比度增强 增强图像的对比度实际是增强原图的各部分的反差，实际中往往是通过增加 原图里某两个灰度值间的动态范围来实现的。具体的变换如图2 1 的b 图所示。可 以看出，通过这样的变换，原图像中灰度值在0 到墨和s ：到工一1 之间的像素的动 态范围被压缩，丽灰度值在毛到5 ：之间的像素的动态范围被拉伸。通常，s ，到s ，之 间的灰度值是我们感兴趣的部分，因此它们获得了增强。而其它的灰度值是不那 么重要的。这样做出了合适的取舍。在实际的应用当中，这种方法是很灵活的， 因为可以恰当的选取( 毛，f ，如，f 2 ) 参数，以获得不同的增强效果。 3 动态范围压缩( 对数变换) 有时原图像的动态范围太大，超出某些显示设备的允许动态范围，如医疗图 像的灰度值用1 2 位、甚至更多的二进制位来表示，超出了普通显示器的显示范围， 这就需要通过压缩( 或伪彩色增强) 处理后才能显示。一种常用的压缩方法是借 助对数变换，如图2 1 的c 图所示。其表达式如下： f ；c l o g 【1 + 川 ( 2 3 ) 式中c 为尺度比例常数。 4 灰度切割 灰度切分的目的是将某个灰度值范围变得比较突出。一种典型的变换曲线如 图2 1 的d 图所示，它将矗到s ：之间灰度级突出，而将其余灰度级变为某个低灰度 值，其实质是图像的二值化 类似的变换曲线还有很多，总之我们可以通过改变交换曲线的形状，使变换 后的图像的灰度统计直方图满足我们的需要，这里不再一一举例。 2 2 2 直方图处理 图像的直方图是图像重要的统计特征，它可以认为是图像灰度密度函数的近 似。按照随机过程理论，图像可以看作是一个随机场，因此具有相应的统计特征， 其中最重要的特征是灰度密度函数【3 1 。 用，( z ，y ) 来表示一副图像，则图像的灰度直方图是一个一维的离散函数： p b tj n i ，l 七一o ，l 一，三一1 ( 2 4 ) 式( 2 4 ) 中是图像的灰度级个数，为图像的第七级灰度值， 是图像中具有灰 度值乩的像素的个数，n 是图像的像素总数。 图像的直方图不含位置信息，因此不能直接的反缺出图像内容，但对它进行 分析可以得出图像的一些有用的特征，这些特征能反映出图像的特点，尤其反映 了图像总体灰度值的分布情况。例如，当图像对比度较小时，它的灰度直方图只 在灰度轴上较小的一段区间非零，较暗的图像由于较多的象素灰度值低，因此它 的直方图的主体出现在低值灰度区间上，其在高值灰度区间上的幅度较小或者为 第二章图像增强的各种技术 零。而较亮的图像情况刚好相反。看起来清晰、柔和的图像，它的直方图灰度分 布比较均匀。 对那些偏暗，对比度低的图像，通常可以通过变换使图像的灰度直方图在较 大的范围内趋于均化，使得图像变清晰。事实证明，通过图像直方图修改进行图 像增强是一种很有效的方法。直方图处理是以概率论为基础的，常用的方法有直 方图均衡发和直方图规定化。 直方图均衡化的基本思想是使得增强后图像的灰度统计直方图呈现为均匀分 布，从而改善整副图像灰度分布的动态范围。它所采用的方法是利用累积分布函 数作为图像灰度值的变换曲线。用s 表示原图像中像素的灰度值，以表示第七级灰 度值，f 表示增强图像中像素的灰度值，f 。表示第七级，并对和气作归一化处理， 则直方图均衡化可表示为： 一腰k ) 一耋詈- 砉p 气h ) 。s s 1 七一。 ，工一 ( 二s ) 式( 2 5 ) 中工是图像的灰度级个数，峨是图像中具有灰度值毛的像素的个数，九 是图像的像素总数，p 。即为式( 2 哪中的灰度统计直方图p k ) 。 可以证明累积分部函数能将s 的灰度分布近似转换为f 的均匀分布。“近似”的 原因是式( 2 5 ) 是由连续函数直接导出，故在数字化的量化时会带来误差。其详细 的证明过程请参阅文献【2 】，这里不赘述。 直方图规定化是直方图均衡化的改进，它通过用已知的直方图去“规定”原 图像的直方图来得到更加符合需要的结果，亦即定义一种变换，使变换后的图像 的直方图是我们期待的某种形式。直方图规定化需要对图像增强有一定的先验知 识【2 】，知道某种直方图会使变换后的图像具有更好的效果，而且可以根据需要增强 感兴趣的灰度范围。 2 2 3 空域滤波增强 空域滤波就是定义各种模板，通过模板跟图像进行二维卷积运算，运算的结 果就是增强后的图像。而那些模板实际上就是滤波器，只是进行的卷积运算是在 图像空间域上进行。这是一种很常用的图像增强技术，可以用来对图像的某些特 征进行增强，而去除其它特征。空间滤波增强的运算如式( 2 6 ) 所示。 g b ，y ) t 杠，y ) ，b ，y )( 2 6 ) 式中，g b ，_ ) ，) 是增强后的图像，_ j l b ，y ) 是滤波器( 模板) ，b ，y ) 是原图像。 滤波器的选择不同，增强的效果也不同。滤波器具体可以分为平滑( 低通) 滤波 器，锐化( 高通) 滤波器等等。 一种基于p o 州的低对比度灰度图像增强方法及其评价 2 3 频域增强 前面提到的空域滤波是在空闻域上进行卷积运算。我们知道，空域的卷积运 算对应的是频域的相乘。所以我们完全可以先把空域转化为频域，然后在频域上 进行运算，运算完后再转换回空间域。这也就是2 1 节引言里提到的频域增强的思 想。 参考( 2 6 ) 式，模板i l g ，y ) 对应的傅立时变换为日0 ，v ) ，原图像，0 ，) r ) 、增强 后的图像为占扛，y ) ，对应的傅立叶变换分别为f q ，) 和g “，v ) ，则( 2 6 ) 式可以在 频域上实现： g 0 ，v ) = 0 ，v 妒缸，v ) g g ，y ) 一r 4 g 仁，v ) 】 ( 2 7 ) 式( 2 - 7 ) 中r 。表示傅立叶逆变换。 同样的，频域的增强方法也包括有低遁滤波器、高通滤波器，分别可以实现 平滑、锐化等功能。值得注意的是，低通滤波器会对图像产生模糊作用，而高通 滤波器会产生振铃效果。这是因为通过滤波器后，一部分频谱分量被削弱或者消 失的结果。 2 4 近年来出现的新方法 近年来，由于各种智能化的算法的出现和发展，给传统的图像增强方法注入 了新的活力。传统的各种空问域变换增强方法和频域增强方法跟智能化算法相结 合，形成了一系列性能优良的图像增强算法这些算法有的增强效果好，有的适 应性广，而有的运算简单，运算速度快等，各有优点。这些应用于图像增强的新 技术包括有小波变换、神经网络、模糊数学、遗传算法等等。 例如文献【_ 就提出了一种基于模糊小波的对比度增强算法。那种算法先选取适 当的小波，对原图像进行小波变换。然后应用模糊数学的思想，在小波域上进行 处理。然后进行逆小波变换，获得增强后的图像，取得了很好的效果。这种方法 属于频域方法，只是这个频域是小波域而不是传统意义上的傅立时变换域，而且 还应用了模糊数学的方法。 文献【8 j 介绍了一种被称为e v o l e h a 的灰度图像增强算法。它属于空域增强 方法中的直接灰度变换。但其使用了比较有效的变换函数，并且在参数的选择上 使用了遗传算法作优化处理，因此取得了良好的性能。其变换函数为： 第二章图像增强的各种技术 g 扛，) ，j = 删( ，扛，y ” 一卜意矧x ，阱m y ) 】+ m 。卸 在式( 2 8 ) 中，g ，) ，) 是原图像，占b ，y ) 是增强后的图像，m k y ) 是以象素点 b ，y ) 为中心矗，l 窗的灰度均值，仃扛，y ) 为上述窗的标准差， f 是全图像的灰度均 值。a ，b ，c ，k 是待确定的参数。选取合适的参数a ，b ，c ，k 可以取得良好的增 强效果。为了选取合适的参数，e 、，0 l e h a 方法采取了遗传算法进行优化。先定 义一个适应度函数f b ) ，然后通过遗传算法的选择、交叉、变异等一系列迭代，选 取出最优的参数a ，b ，c ，k ，使得f g ) 最大。文献嗍通过定义合理的f g ) ，使得 当，b ) 最大时，图像的增强效果最好。因为算法考虑了象素的领域信息，也考虑 了图像的整体信息，所以这是一种整体与局部相结合的增强方法。具体，b ) 的选 取和具体算法的设计可以参考文献1 5 j 。 1 0 一种基于p o n 的低对比度灰度图像增强方法及其评价 第三章p c n n 的工作原理和特征 3 1 引言 神经网络( n e u r a ln e 佃o r k ) 是近年来再度兴起的一个高科技研究领域，是信 息科学、脑科学、神经心理学等多种学科的研究热点。人工神经网络是指模拟人 脑神经网络的结构和功能，运用大量的处理部件，由人工方式建立起来的网络系 统。它是在生物神经网络研究的基础上建立起来的。人脑是人工神经网络的原型， 人工神经网络是对脑神经系统的模拟。 早在1 9 4 3 年，神经心理学家麦克洛奇和数学家皮兹就提出了形式神经元的数 学模型( m p ) ，从而开创了神经科学理论研究的时代。2 0 世纪8 0 年代由霍普费 尔特( j j h o p f i e l d ) 提出了m 州模型，从而有力的推动了神经网络的研究，这 个模型直到现在还有广泛的应用。 随着生物神经学的研究和发展，一种称为第三代人工神经网络的新型人工神 经网络模型脉冲耦合神经网络模型( p o 蝌一p i i l s ec o u p l c dn c 盯a ln c t 0 幢) 的研究在国内外兴起。这种网络由变阈值非线性动态神经元组成，具有许多独特 的优良特性：时空总和特性、动态脉冲发放特性和同步脉冲发放引起的振动与波 动等特性，正是由于p c n n 的这些特性， 论意义，而且具有非常广泛的应用前景， 使得对p o 讯的研究不仅具有重要的理 其应用领域涉及到时变信号处理( 如运 动目标识别) 、图像处理( 滤波去噪、分割、融合、增强等) 、图像目标识别、图 像理解、人工生命、优化、通信等，并且这些应用受到了广泛的重视和研究。 3 2p c n n 神经元标准模型及其简化模型 p c n n 是由若干个p o 科的神经元互连所构成的反馈型网络，其每一神经元 由三个部分组成：分支树、链接器和脉冲产生器，标准的脉冲耦合神经网络模型 如图3 1 所示。在图中，。，【，。分别为神经元( f ， 的外部激励( 输入) 、输出和内 部行为。分支树中有两个分支，分别是馈送输入e ，和连接输入三，e 和厶，分别 是以相对较小和较大的时间常数r 。和f ，对神经元f ，) 某邻域内的其它神经元输 出进行漏电容积分的加权和，同时e 还接受该神经元的外部激励，链接器以乘 积耦合的形式u 。= 只，( 1 + 肚i ) 构成神经元f ， 的内部行为。脉冲产生器由对网络 输出进行漏电容积分的变阈值通道和硬限幅函数组成。口。的初值通常设的比较高， 第三章p c n n 的工作原理和特征 1 1 网络的最初状态是所有的神经元都被抑制，由于变闽僮特性，当阈值气小于u # 时， 神经元( f ，) 被激活( 即输出= 1 ) ，我们形象的称之为点火，紧接着因为输出端对 阈值的反馈使得阈值突然变高( 通常k 取值很大) ，神经元又被抑制( 即输出 k = 0 ) ，从而在神经元输出端产生一个脉冲信号，此脉冲信号经过加权又连接到相 邻神经元的输入端，故此称为脉冲耦合神经网络。 卜卜+ 卜+ 图3 1p o m 神经元标准模型 二维p c n n 的神经元玎的离散方程形式为 毛o ) 一e 一叫飞毛“一1 ) + 咋j i f 州轴一1 ) + b 岛o ) 一e 一叫岛。一1 ) + 吒m 州“一1 ) 0 ) 一弓0 ) ( 1 + 瓯o ) ) ( 3 1 ) 气q ) 一e 一叫、岛伽一1 ) + 匕加一1 ) k 瓷器二瓷暑 在文献f l l l 中g k u n t i n l a d 等人认为标准的p c n n 模型存在以下情形： 1 ) 由于存在大量非线性和漏电容积分等因素，使得数学分析困难； 2 ) 基于像素空间邻近和亮度相似的集群较模糊； 3 ) 网络参数难以确定。 坚一种基于p o n 的低对比度灰度图像增强方法及其评价 所以对p c n n 模型作简化。简化后的模型如图3 2 所示。与标准模型相比，主要 的区别是馈送输入如而只包含外部刺激，“。 i + 宦乙 印嘣渤 图3 2g k l m t i m 耐等所给出的p q m 神经元的简化模型 在用p o 啉网络对图像进行处理时，通常作如下假设； 1 网络与图像一样大，即网络的神经元数日与图像象素数日相同； 2 象素g ，) 的强度作为神经元o ，) 的外部输入，即f # 一，# ； 3 所有漏电容积分器都相同； 4 链接强度与象素无关； 5 闽值产生器的参数对所有神经元都相同，即y 。和f 。与神经元无关。 p o j n 模型自出现以来存在许多的变种。但其基本的原理和特性是相同的，因 此下面我们对它的原理和特性进行分析。而在后面，我们也会根据我们算法的实 际需要，对这里介绍的模型进行修改，提出我们自己的p c n n 模型。 3 3p c n n 的工作原理 我们先假设各神经元之间没有链接，也就是口；o ，那么p c n n 的运行行为是 各神经元互相独立运行的组合。由于卢一0 ，所以u f f # = ，。而当u 大于阈 值哦，时，神经元( i ，j ) 点火，即k = 1 。这就意味着不同亮度强度输入的神经元将在 不同的时刻点火，而相同亮度强度输入的神经元则在同一时刻点火。这就是神经 元的自然点火。 在有耦合链接的情况下，也就是卢一o 。由于p c n n 中各神经元之间的耦合链 接，那么当外部刺激输入强度最强的神经元( f ，) 在f 时刻点火时，使得于它邻近的 神经兀( p ，q ) 在这一时刻的内部行为由原来的，。变为，。( 1 + 卢三。j ，这就意味着该 第三章p o 矾的工作原理和特征 神经元对应的象素的亮度强度从，提升到，【1 + 卢厶，j 。因此当 ，月【l + 声三一j 疗朋( f ) 葛曰d 扛) ( 3 2 ) 时，神经元o ，口) 将在f 时刻提前点火。我们称神经元d ，口) 被神经元( f ，) 捕获，这 种点火称为捕获点火。当链接强度芦越大、耦合链接域l ，越大，则同步点火的神 经元就越多，而且在确定的口和工参数下，各神经元间对应的亮度强度差越小就 越容易被捕获。 3 3p c n n 的基本特征 与传统的反馈型神经网络相比，脉冲耦合神经网络从神经元本身的构成上就具 有鲜明的特色，即变阙值、内部行为的乘积耨合、分支树的漏电容积分加权求和 等，从而使得p o 讯具备以下的特性： 1 动态神经元而不是静态神经元 与传统的神经网络采用输入信号的加权和直接与阂值相比较不同的是，p o q n 采用输入信号与突触通道的脉冲响应函数( 通过突触通道的内郝漏电容积分获得) 的乘积与阈值相比较；神经元的阈值不是常数，而是随对间变化的，且其变化既 与上一时刻的闽值有关，也与神经元当前的输出有关。 2 时空总和特性 如果将该神经元的各个输入视为来自不同空间上的信息的输入，那么传统网 络的神经元输出是该神经元各个输入信号线性组合的非线性函数，只能处理空间 信息，而不能处理时间信息，这也正是在进行特别是语音信号处理和语音识别这 类时变性很强的信号时为什么要引入时间延迟神经网络的原因。实际上，时间延 迟网络并没有从根本上改变神经元的静态性质，因此它的处理能力非常有限。相 反地，p c n n 的神经元既有输入信号的空间特性，又有其内部漏电容积分所产生的 时间特性，这使得p c n n 具有非常强的时空总和特性，从而在运动目标识别、注 意、图像分割、人工生命、语音信号处理等领域有着非常重要的应用前景。 3 动态脉冲发放特性 p o m 动态神经元的变阈值特性是其动态脉冲发放的根源，如果将由输入信号 与突触通道脉冲响应函数的乘积所产生的信号称为该神经元的( 内部) 作用信号， 则当作用信号超过阈值时，该神经元被激活而产生高电平输出，又由于闽值受神 经元输出的控制，导致该神经元输出的高电平又反过来提升阈值，从而使作用信 号变得低于闽值，神经元又立即恢复为原来的抑制状态( 即低电平) 。这一过程在 神经元输出端明显地形成了一个脉冲发放，也称为神经元的点火，其中变闽值特 性导致神经元被抑制和激活，而硬限幅函数则实现神经元输出端脉冲的产生，它 坐一种基于p ( = n n 的低对比度灰度图像增强方法及其评价 们相互作用的结果是使神经元输出发放脉冲，而发放脉冲的频率和相位则与神经 元输入有关，敌神经元输出可视为是对输入信号的某种频率调制或相位调制，从 而携带了输入信号的某种特征，这种特征对于我们进行模式的分类和识别以及图 像处理将十分有用。 4 同步脉冲发放特性 如果p c n n 采用这样的结构，每个神经元有一个输入( 对应于图像中一个像 素的灰度值) ，并与邻近神经元的输出有连接，则从神经元的角度讲，对应于亮像 素的神经元可以比对应于暗像素的神经元更快地点火，而从p 心m 的角度讲，当 一个神经元点火时，它会将其输出送至与其相邻的神经元的输入上，从而引起邻 近神经元先于自然点火时刻而提前点火，这样就会导致在图像的一个大的区域上 产生同步振荡，因此p q q n 具有一个非常重要的性质：以相似性集群产生同步脉 冲发放，这一性质的运用对于进行图像分割、图像自动目标识别、图像融合等具 有非常重要的应用意义。 5 波的形成与传播 与同步脉冲发放特性相伴生的是网络中传输波( t h v c l i i 昭c ) 的形成和传 播特性。如果一个神经元在点火后能在一个时阃段内得到抑制，而在这段时间内 该神经元的点火通过连接使得相邻神经元被激活丽点火( 我们称这一特性为捕 获) ，这一过程不断进行下去，则这个神经元的点火所产生的输出振动将被不断地 扩散和传播开来，从而形成网络中以最先点火神经元为波动中心的振动波的传播。 p c n n 的这一性质对于求解最短路问题、t s p 问题以及其它组合与决策优化问题具 有非常好的应用前景。 6 共振与信息传输特性 在p o 州中神经元的点火频率形成了该神经元输出的振动，而p o 斟中神经 元之间的相互作用则不仅仅取决于它们之问是否存在连接，更重要的是它们是否 发生共振，因此p o 中神经元的共振与否是神经元之间相互作用的信息通路的 标识字，而神经元则通过相位来传输信息。 上述这些特性是p c n n 的两个最基本的性质，即动态脉冲发放和波的形成与 传播产生的结果，前者来源于神经元的变阙值特性，后者来源于神经元内部行为 的乘积耦合特性。乘积耦合调制不是常规的加性耦合，其优势在于一个无输入信 号的神经元不会被与其耦合的连接输入激活，这一点对于图像处理尤为重要，因 为图像中灰度值为零的像素对相应的神经元就没有输入值，因此该神经元永远也 不会被激活，这对像素灰度值的频率调制或相位调制十分有利。 我们对p c n n 在总体上做进一步的把握，认为p a q n 与传统人工神经网络相 比，在处理能力上将带来极大的优势： 】p c n n 是对生物视觉神经系统的更为精细的模拟。当p c n n 中的积分环节( 包 第三章p o 小的工作原理和特征 括突触通道的内部漏电容积分和阈值通道的内部漏电容积分) 的积分时间很短 时，积分作用近似于线性作用，这时，p q 则退化为传统的有两个感受野的 反馈型神经网络，即传统神经网络可理解为是p q q n 在某一时刻的固化。从这 个意义上说，p c n n 是传统人工神经网络的发展，它是对生物视觉神经系统的 更为精细的模拟，尽管这种模拟还只是一种近似。我们所追求的并不是对生物 神经系统的无限精确的模拟( 这实际上也不可能) ，而是通过这一模拟所带来的 高度智能。 2 p o m 实现信息的组织，并且信息的组织是一个长时的动态过程。p c n n 的动 态行为所表现出的是一个从无序到有序、从无组织到有组织的动态信息组织过 程，这一点从给网络施加输入，到神经元个体发放脉冲，到神经元集群发放同 步脉冲这一动态过程中表现出来。因此网络的行为可以认为是对信息的无序到 有序的组织过程，这个过程建立起了信息的层次结构，并实现不同层次结构上 的信息处理( 如图像滤波、图像分割、目标识别等) ，这实际上更接近生物视觉 系统对信息处理的过程。相反地，传统的反馈型神经网络是固化了的p o ， 虽然它也是动态网络，但实际上在其中不存在对信息的组织。p o 矾的信息组 织是一个长时的动态过程。因为从神经元发放脉冲，到神经元以一定频率发放 脉冲，到神经元集群以一定频率发放同步脉冲，是一个长时的过程，而短期行 为是不可能用频率来衡量的，这也许正是我们用短期行为的传统神经网络进行 目标识别总是性能不佳的原因之一。当然，在实际用p q m 处理问题时，基于 处理的实时性要求，不可能将这个长时过程傲成无限长，而是在获得满意解的 前提下尽可能缩短处理时间。 3 p o 琳是一个数模混合系统。p 回啪的每个神经元本身就是个数模混合系统， 其突触通道的漏电容积分和阙值通道的漏电容积分展示了其模拟处理的能力， 而神经元的点火和非点火状态( 仅仅只有两个状态) 则反映了其数字处理的能 力，从而p c n n 构成了一个复杂的数模混合系统。在这个系统中的每一个神经 元就具有任意复杂的逻辑算术运算能力。 4 p o 讯是一个串并混合系统。基于符号的传统人工智能具有很强的逻辑推理能 力和非常弱的计算能力，其逻辑推理的串行性使得其成为一个高度串行的处理 系统；基于连接的传统人工神经网络是个高度并行的处理系统，具有很强的 计算能力和弱的逻辑推理能力( 这些能力均隐含在网络内部) 。从这个意义上讲， p o 蝌则是一个高度串并行混合处理系统，在其中既存在着神经元点火所引起 的其感受野内其它神经元的点火这样的串行处理过程( 我们认为网络中传输波 的存在就是这种串行处理的典型形式之一) ，又存在着神经元集群的同步脉冲发 放这样的高度并行处理过程( 我们认为同步脉冲发放只是网络处于并行处理的 一个典型例子) ，而且神经元的这种行为是一个时变的过程，造成r 串中有并、 种基于p q 的低对比度灰度图像增强方法及其评价 并中有串的处理机制，因此p c n n 是一个高度串并行混合的处理系统，从而 p a 州将有可能综合传统人工智能的推理能力强和传统人工神经网络的计算能 力强的优势，更好地完成信息处理以及完成更为复杂的信息处理( 如目标识别 等) 。从这个意义上讲，p o m 具有较传统人工神经跨络更高的智能。实际上， p c n n 中的单个神经元，其本身复杂的非线性动态特性使得它就可以实现任意 复杂的逻辑算术运算。 5 p c n n 是一个强自适应系统。在传统人工神经网络中，神经元之间的连接强度 完全决定了神经元对神经元的影响，既使这种连接非常弱，这种影响也始终存 在。而在p q 啉中，如果两个神经元豹连接非常强，而甲神经元长时问不点火， 则乙神经元的作用信号由于没有得到积累而无法点火，从而甲神经元的行为无 法真正造成对乙神经元行为的影响，这时，强的连接似乎也起不到两神经元行 为之间的影响作用；如果两个神经元的连接非常弱，而甲神经元多次点火，则 乙神经元的作用信号由于突触通道的漏电容积分而得到积累，超过朗值并点火， 这样甲神经元的行为则造成了对乙神经元行为的影响，这时，弱的连接似乎也 起到了两个神经元行为之问的影响作用。这种存在连接但不一定存在影响、存 在影响但不一定存在连接的现象更突现了网络对突发事件的处理能力，表现在 由于某种原因( 如噪声或外部的视觉刺激等) 使得嘲络中的某个或莱些神经元 发生点火，进而打破了网络原本已经组织起的有序状态时，弼络有可能自动地 抑制噪声或自动地适应新的视觉刺激，即网络将经过一段时问的适应期，实现 对信息的重新组织，达到一个新的有序状态。 综上，我们认为p q 科是对生物视觉神经系统的更为精细的模拟，从而这种 模型更便于运用于图像处理和自动目标识别，同时由于p ( 强附是一个数模混合、 串并混合的强自适应、强非线性、动态的系统，是较之传统神经网络的具有更高 智能的系统( 被称为第三代人工神经网络) ，将在包括自动目标识别在内的其它信 息处理领域展示重要的应用前景。 第四章基于p c n n 的图像增强 第四章基于p c n n 的图像增强 4 1 引言 1 7 在数字图像当中，有一类图像明显的偏暗，对比度低，局部分辨率低，细节不 明显。从直方图上看，这类图像的直方图的主体出现在低值灰度区间上，其在高 值灰度区间上的幅度较小或者为零。偏暗的图像及其直方图的例子如图4 1 所示。 这类图像通常是由于图像采集的时候光线不足，或者曝光时间不够造成的。为了 能够好好的利用这类图像，那必须对它们进行增强，改变其偏暗、对比度低的现 象，另外还要尽量的凸现细节。局部分辨清楚，细节丰富的图像才能够令人满意。 正如第二章的介绍的，直方图均衡发是一种很有效的图像增强方法，能使低对 图4 1偏暗的c 0 u p l e 图像及其直方图 比度的图像有效的改变其偏暗的现象，改善其动态范围，使之灰度直方图在较大 的范围内趋于均化，使得图像变清晰。然而，直方图均衡法有一个严重不足的地 方，就是细节表现力方面比较差，不能很好的凸现图像的局部。而p c n n 的侧抑制 和捕获特性雒够很好的模拟入眼的马赫带效应，有利于增强图像的细节。可以想 象，两者相结合，发挥各自的长处的图像增强算法会有很优良的性能。 p c n n 用于图像增强的主要思想是，p c n n 的点火时间与增强后图像的欢度值一 一对应起来，点火时间越早，则灰度值越大，点火时间越晚，则灰度值越小。这 是因为用原图像的灰度值作为p c n n 的神经元的外部刺激，则越亮的象素对应的神 经元越早点火。但为了很好的控制点火时间，达到很好的增强效果，必须对标准 堕一种基于p c n n 的低对比度灰度图像增强方法及其评价 的p c n n 方程进行修改。本算法主要是对p c n n 阈值日0 ) 的表达式进行修改。例如 在整体增强中，加入了累积分布函数( 直方图均衡法的思想) ；在局部增强部分， 加入了侧抑制( 实现马赫带效应) 等等。另外，捕获作用在局部增强中也起到很 重要的作用。下面分别讨论。 4 2 整体增强 整体增强的目的是从整体上改变原图像亮度偏暗的现象，改善图像的动态范 围，让图像的直方图在大范围内分布均匀。 在直方图均衡化方法是借助图像的累积分布函数作为图像灰度值的变换曲线， 因此可以借鉴直方图均衡化，通过修改阈值使p c n n 的输出是对输入图像灰度值的 累积分布变换。