（轻工技术与工程专业论文）pcnn在数字图像处理中的应用.pdf

摘要 摘要 脉冲耦合神经网络( p c n n ) 与传统的人工神经网络不同，它是通过对猫的视 觉神经系统中脉冲振荡现象的研究而产生的，有生物学的背景。p c n n 为单层模型 神经网络，不需要训练过程即可实现模式识别、图像分割、目标分类，因此非常 适合图像处理。同时，p c n n 在处理图像过程中将二维空间变量转化为一维时间脉 冲序列，这样，p c n n 神经元模型向生物实际神经网络更靠近了一步，它对输入信 息的处理能力更强、性能更好。 本文首先通过对p c n n 基本原理、运行行为及其特性的深入分析，提出一种针 对带脉冲噪声图像的p a m 过滤器算法，该过滤器可分为三个部分：利用简化p c n n 模型对图像进行预处理，找到灰度值大的区域的具体位置；利用区域面积调节函数 判断出其中的高亮度噪声点像素；采用中值滤波算法恢复高亮度噪声点处像素灰 度。 其次，通过对织物疵点检测系统的研究，提出了一种基于p c n n 的织物疵点分 割的新方法。该方法有五个步骤：( 1 ) 利用c c d 和图像采集卡对织物进行图像采 集；( 2 ) 利用本文提出的p a m 滤波器对织物图像作去噪的预处理；( 3 ) 利用简化 的p c n n 对织物疵点进行特征提取；( 4 ) 用膨胀的方法来获得织物疵点的形状和 大小； ( 5 ) 利用c a n n y 算子对织物疵点作其边缘分割。实验证明这种方法能有效 地获取织物疵点特征，并得到较为理想的边缘检测效果。 关键字：脉冲耦合神经网络：区域面积；噪声；织物疵点；膨胀；c a n n y 算子 江南大学硕士学位论文 a b s t r a c t t h ep u l s ec o u p l e dn e u r a ln e t w o r k ( p c n ，w h i c ha c c o r d st op u l s eb u r s t s p h e n o m e n o ni nt h ev i s u a lc o r t e xo fc a t ，i san e wg e n e r a t i o na r t i f i c i a ln e u r a ln e t w o r k d i f f e r e n tf r o mt r a d i t i o n a la r t i f i c i a ln e u r a ln e t w o r k s i th a sb i o l o g i c a lb a c k g r o u n d t h e p c n ni st h en e r v en e t w o r ko ft h es i n g i el a y e rm o d e l ，w h i c hc a ni m m e d i a t e l yc a r r yo u t p a t t e r nr e c o g n i t i o n ，i m a g es e g m e n t a t i o n ，a n dt a r g e tc l a s s i f i c a t i o n ；t h e r e f o r ei ti sv e r yi n k e e p i n gw i t hp i c t u r ep r o c e s s i n g i nt h em e t i m e ，t h ep c n nc h a n g e s2 - ds p a c e v a r i a b l ei n t o1 - dt i m ep u l s es e q u e n c ed u r i n gt h ep e r i o do fh a n d l i n gap i c t u r e t h u st h e p c n nn e r v ed o l l a rm o d e lh a v ea p p r o a c h e dt ol i v i n gc r e a t u r ea c t u a ln e r v en e t w o r ko n e m o r es t e p ，a n di t sa b i l i t yo fp r o c e s st ot h ei m p o r t a t i o ni n f o r m a t i o ni ss t r o n g e ra n d b e t t e r i nt h i sp a p e r , t h ep r i n c i p l e s , b e h a v i o r sa n dc h a r a c t e r i s t i c so fp c n na r ei n t r o d u c e d a n da n a l y z e d a f t e rt h a t ，ap a mf i l t e ra l g o r i t h mo ft h ei m p u l s e - n o i s e di m a g ei s p r o p o s e d i nt h ea l g o r i t h m ，t h ef i l t e ri sd i v i d e di n t ot h r e ep a r t s ，w h i c hi n v o l v e si m a g e p r e p r o c e s s i n gu s i n gas i m p l i f i e dp c n n m o d e lt of i n do u tt h ep o s i t i o no fb i g g e rg r a y , j u d g r n e n tp i x e l sw i t hh i g i la n db r i g h tn o i s et h r o u g haf i e l da r e ar e g u l a t ef u n c t i o n ，a n d r e c o v e r i n gt h eg r a yo ft h o s ep i x e l sb yt h em e d i u mf i l t e r m o r e o v e r , at e x t i l ed e f e c t ss y s t e mi sd i s c u s s e di nt h i sp a p e r am e t h o do ff e a t u r e s e g m e n t a t i o no ft h et e x t i l ed e f e c t su s i n gp c n nw a sp r o p o s e d t h i sa p p r o a c hc a nb e i m p l e m e n t e dt h r o u g l lt h ef o l l o w i n gf i v es t e p s ( 1 ) u s et h ec c d a n di m a g ec o l l e c t e d c a r dt oc o l l e c tt h ei m a g eat e x t i l e ；( 2 ) p r e p r o c e s st h ei m a g et os u p p r e s st h en o i s eu s i n g t h ep a mf i l t e r ；( 3 ) m a k ef e a t u r ee x t r a c t i o no ft h et e x t i l ed e f e c t sw i t ht h es i m p l i f i e d p c n n ；( 4 ) d e t e r m i n et h es h a p ea n dt h es i z eo ft h et e x t i l ed e f e c t sb yd i l a t i o nm e t h o d ；( 5 ) e x t r a c tt h et e x t i l ed e f e c t se d g e sw i t hc a n n y o p e r a t o r e x p e r i m e n tr e s u l t ss h o w st h a t t h em e t h o dc a ne x t r a c tf e a t u r eo ft h et e x t i l ed e f e c t se f f e c t i v e l ya n dc a nd e t e c t s a t i s f a c t o r ye d g e so ft h et e x t i l ed e f e c t s k e yw o r d s ：p u l s e dc o u p l e d n e u r a ln e t w o r k ( p c - = n n 9 ；f i e l da r e a ；n o i s e ；f a b r i cd e f e c t ； d i l a t i o n ；c a n n yo p e r a t o r l l 独创性声明 本人声明所呈交的学位论文是本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的地 方外，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 本人为获得江南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作了明 确的说明并表示谢意。 签名： 噬盈日期：2 扩年7 月钿 关于论文使用授权的说明 本学位论文作者完全了解江南大学有关保留、使用学位论文的规 定：江南大学有权保留并向国家有关部门或机构送交论文的复印件和 磁盘，允许论文被查阅和借阅，可以将学位论文的全部或部分内容编 入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、 汇编学位论文，并且本人电子文档的内容和纸质论文的内容相一致。 保密的学位论文在解密后也遵守此规定。 签名： 刍幺逸 导师签名： 至釜! ! 竺 日期：力c ，“年尹月多日 第一章绪论 第一章绪论 1 1 研究背景 人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听 觉信息占2 0 9 6 ，视觉信息占6 0 9 6 ，其他如味觉、触觉、嗅觉总的加起来不过占2 0 ， 所以，作为传递信息的重要媒体和手段图像信息非常重要。 数字图像处理，又称为计算机图像处理，它是指将图像信号转换成数字信号 并利用计算机对其进行处理的过程【1 】。 数字图像处理技术起源于2 0 世纪5 0 年代，当时的电子计算机已经发展到 一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门 学科大约形成于2 0 世纪6 0 年代初期。经过几十年的发展，目前己成为工程学、计 算机科学、信息科学、统计学、物理学、化学、生物学、医学甚至社会科学等领 域各学科之间学习和研究的对象。如今图像处理技术已给人类带来了巨大的经济 和社会效益。不久的将来它不仅在理论上会有更深入的发展，在应用上也是科学 研究、社会生产乃至人类生活中不可缺少的强有力的工具。 数字图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效 果为目的。经过图像处理后，输出图像的质量得到相当程度的改善，既改善了图 像的视觉效果，又便于计算机对图像进行分析、处理和识别。 1 2 数字图像处理的基本特点【2 】 ( 1 )目前，数字图像处理的信息大多是二维信息，处理信息量很大。如一幅 2 5 6 x 2 5 6 低分辨率黑白图像，要求约6 4 k b i t 的数据量；对高分辨率彩色5 1 2 x 5 1 2 图像， 则要求7 6 8 k b i t 数据量；如果要处理3 0 帧，秒的电视图像序列，则每秒要求5 0 0 k b i t 2 2 5 m b i t 数据量。因此对计算机的计算速度、存储容量等要求较高。 ( 2 ) 数字图像处理占用的频带较宽。与语言信息相比，占用的频带要大几个 数量级。如电视图像的带宽约5 6 m h z ，而语音带宽仅为4 k h z 左右。所以在成像、 传输、存储、处理、显示等各个环节的实现上，技术难度较大，成本亦高，这就 对频带压缩技术提出了更高的要求。 江南大学硕士学位论文 ( 3 ) 数字图像中各个像素是不独立的，其相关性大。在图像画面上，经常有 很多像素有相同或接近的灰度。就电视画面而言，同一行中相邻两个像素或相邻 两行间的像素，其相关系数可达0 9 以上，而相邻两帧之间的相关性比帧内相关性 一般说还要大些。因此，图像处理中信息压缩的潜力很大。 h )由于图像是三维景物的二维投影，一幅图象本身不具备复现三维景物的 全部几何信息的能力，很显然三维景物背后部分信息在二维图像画面上是反映不 出来的。因此，要分析和理解三维景物必须作合适的假定或附加新的测量，例如 双目图像或多视点图像。在理解三维景物时需要知识导引，这也是人工智能中正 在致力解决的知识工程问题。 ( 5 ) 数字图像处理后的图像一般是给人观察和评价的，因此受人的因素影响 较大。由于人的视觉系统很复杂，受环境条件、视觉性能、人的情绪爱好以及知 识状况影响很大，作为图像质量的评价还有待进一步深入的研究。另一方面，计 算机视觉是模仿人的视觉，人的感知机理必然影响着计算机视觉的研究。例如， 什么是感知的初始基元，基元是如何组成的，局部与全局感知的关系，优先敏感 一 的结构、属性和时何特征等，这些都是心理学和神经心理学正在着力研究的课题。 1 3 国内外数字图像处理研究的现状及发展方向 数字图像处理研究的内容概括地说主要有：图像增强和复原、图像压缩、图 像的分割、图像识别。应用于图像处理领域中的常用算法有很多，下面作个分类 概叙。 1 3 1 图像增强和复原 图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清 晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化 图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图 像中噪声影响。主要方法有直方图增强、伪彩色增强法和灰度窗口等技术。图像 复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立”降质模型 ”，再采用某种滤波方法，恢复或重建原来的图像，主要有均值滤波、中值滤波、 维纳滤波等算法。 2 第一章绪论 1 3 2 图像压缩 图像压缩技术可减少描述图像的数据量( 即比特数) ，以便节省图像传输、处 理时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得，也可以在 允许的失真条件下进行。编码是压缩技术中最重要的方法，它在图像处理技术中 是发展最早且比较成熟的技术。经典压缩算法有j p e g 压缩算法、h u f f m a n 码、p c m 编码。 1 3 3 图像分割 图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的 特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行 图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方 法，如灰度阀值法分割、边缘检测法、区域生长和聚类等。这些方法的前提是目 标与背景相比有明显的灰度变化，只适用于比较简单的图像，而对十复杂的c t 图 像、遥感图像、声纳图像等却无能为力。因此，对图像分割的研究还在不断深入 之中，是目前图像处理中研究的热点之一。 1 3 4 图像识别 图像识别是图像处理领域中另一个很重要的内容，在很多领域中得到了应用， 如人脸和指纹鉴别、字符识别、医学诊断等。简单地说，图像识别是图像中的物 体的模式分类，图像经过某些预处理( 增强、复原、压缩) 后，进行图像分割和 特征提取，从而进行判决分类。传统方法主要是统计模式识别、光学模式识别、 分形方法识别、信息嫡识别方法。但这些传统方法自适应能力很差，而且是在没 有噪声干扰的情况下进行，近年来新发展起来的模糊模式识别和人工神经网络模 式分类在图像识别中也越来越受到重视。 近些年，在数字图像处理领域中引入了一些新的理论并提出了一些新的算法， 特别是人工神经网络模型在数字图像处理中的应用，脉冲耦合神经网络( p c n n ) 就是其中之一。 1 4 本课题的任务 脉冲耦合神经网络( p c n n ) 是近几年产生的神经网络模型，是对猫的视觉神经 系统脉冲振荡现象的研究，有生物学的背景。p c n n 为单层模型神经网络，不需要 3 江南大学硕士学位论文 训练过程即可实现模式识别、图像分割、目标分类，因此非常适合实时图像处理 环境。同时，p c n n 在处理图像过程中将二维空间变量转化为一维时间脉冲序列， 这样p c n n 神经元模型向生物实际神经网络更靠近了一步。目前，国内外对其的研 究的时间不长，还有待于进一步扩展与深化，对其展开深入研究具有重要的理论意 义与应用价值。 本课题的任务是对脉冲耦合神经网络( p c n n ) 进行研究，在分析了p c n n 神经 元模型的特点后，进行两方面的工作：一是对带脉冲噪声的图像，提出了一种将 脉冲耦合神经网络和区域面积相结合的图像增强算法，即p a m 过滤器；二是研究了 织物纹理图像中的疵点检测，提出了基于p c n n 的织物疵点分割的一种新系统。 本文的章节安排如下： 第一章概括介绍数字图像处理的基本特点和国内外的发展水平。 第二章在概要回顾人工神经网络技术的基础上，详细阐述p n c c 的基本概念、 基本原理，然后结合其数学模型给出了简化p n c c 模型的b l a d - l a b 程序实现。 第三章探讨了p c n n 在带噪声的图像中的应用。针对带脉冲噪声的图像，提 出一种p a m 过滤器，该过滤器可分为三个部分：首先利用简化p c n n 模型对图像 进行预处理，找到灰度值大的区域的具体位置( 其中包含高亮度噪声点) ；其次利用 区域面积调节函数判断出其中的高亮度噪声点像素；最后采用中值滤波算法恢复 高亮度噪声点处像素灰度。 第四章详细阐述了基于p c 2 q n 的织物疵点分割系统的研究。在识别织物纹理 图像的疵点时，由于织物纹理的不规则，使得检测效率较低，准确性较差。针对这一 问题，利用织物表面图像的灰度强度和织物疵点图像的灰度强度的不同，应用 p c n n 的神经元是否点火，对织物疵点图像进行特征提取。具体步骤为： ( 1 ) 利用c c d 和图像采集卡对织物进行图像采集； ( 2 ) 利用第三章提出的p a m 滤波器对织物图像作去噪的预处理； ( 3 ) 确利用简化的p c n n 对织物疵点进行特征提取； ( 4 ) 用膨胀的方法来获得织物疵点的形状和大小； ( 5 ) 利用c a n n y 算子对织物疵点作其边缘分割。 实验证明这种方法能有效地获取织物疵点特征，并得到较为理想的边缘检测 效果。 4 第二章p c n n 神经网络 第二章p c n n 神经网络 2 1人工神经网络 2 1 1 人工神经网络的产生背景 自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的 研究热情。生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识， 认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各 种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而 神经元理论又是此后神经传导理论和大脑功能学说的基础。在这些理论基础之上， 科学家们认为，可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和 认识现象。另一方面，1 9 世纪之前，无论是以欧氏几何和微积分为代表的经典数学， 还是以牛顿力学为代表的经典物理学，从总体上说，这些经典科学都是线性科学。 然而，客观世界是如此的纷繁复杂，非线性情况随处可见，人脑神经系统更是如此。 复杂性和非线性是连接在一起的，因此，对非线性科学的研究也是我们认识复杂系 统的关键。为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经 网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。所以， 人工神经网络的创立不是偶然的，而是2 0 世纪初科学技术充分发展的产物。 2 1 2 人工神经网络的原理 人工神经网络，是一种旨在模仿人脑结构及其功能的信息处理系统。通常一 个人工神经网络的功能主要是由两个方面决定的：一是网络的拓扑结构，也就是 各人工神经元间相互连接的方式；二是网络的学习和运行规则，即网络中连接权 值的调整规则。 ( 1 )人工神经元的结构 一个神经细胞就是一个神经元，神经元是建筑神经网络的基本单元，信息通 过神经元在神经网络中传输。一个神经元由细胞体、树突、轴突以及突触四部分 组成。尽管灵长类动物、哺乳类动物以及其他各种动物的神经元种类繁多，但其 大多数都按照同框架构建，图2 - 1 为一个神经元的基本结构示意图。 5 江南大学硕士学位论文 图2 - 1 神经元示意图 ( 2 ) 人工神经网络的拓扑结构 人的大脑皮层的横断面上有3 6 层神经细胞，即具有多层结构。因此，人工 神经网络也按层排列。多层网络由单层网络级联而成，即网络中各神经元接受前 一层各神经元的输出。界于输入和输出层之间者称为隐层，它们不直接与外部打 交道。隐层的加入大大地提高了人工神经网络对信息的处理能力。 歹 i 蠹 赣入壤式尉撑凇q 域蠡司镰嬲援式 输入屣藉古层输出蔗 图2 - 2 神经网络构架 y i 扎 y 图2 2 中x l ，x 2 x i x n 分别代表来自其它神经元轴突的输入。w j l ，w j 2 w j i w j n 则分别表示神经元l ，2 ，i - n 与第j 个神经元的突触联结强度，即权 值。这个权值可正可负，工f 权值表示兴奋型突触，负权值表示抑制型突触。 经过训练的多层网络，具有在任意精度下，实现矩阵x 转成矩阵y 的任意非 线性映射的能力，其根本原因就在于引入了隐层以及非线性转移函数。 6 第二章p c n n 神经网络 ( 3 )人工神经网络的工作过程 人工神经网络最使人们感兴趣的特性之一便是它的自学习的能力。如果要使 人工神经网络具有某种智能，必须先对它进行训练，对网络来说就是要学会要它 做的事情。学习就是相继给网络输入一些样本模式，并按照一定的规则( 即学习 算法) 调整网络各层的权矩阵，待网络的各权值都收敛到一定值时，学习过程便 告结束。 除了这些传统的人工神经网络外，近几年出现了一些比较特殊、应用比较广 泛的人工神经网络，比如对哺乳动物的视觉神经系统的研究，特别是对猫视觉皮 层神经元脉冲同步振荡现象的研究，得到了哺乳动物的视觉神经网络数学模型， 这就是脉冲耦合神经网络( p u l s ec o u p l e dn e u r a ln e t w o r k s ，简称p c n n ) 。 2 2p c n n 神经网络 从2 0 世纪9 0 年代开始，由e c k h o r n 等人通过对猫视觉皮层神经元脉冲同步振 荡现象的研究，得到了哺乳动物的视觉神经网络数学模型，并由此发展形成了脉 冲耦合神经网络( p c n n ) 3 3 。 通过对生物神经系统的研究发现，神经元除了工作于兴奋与抑制两种状态外， 还具有多输入单输出的特点，神经元胞体上各种树突的突触后接受周围与之相连 的神经元轴突的突触前电脉冲信息，并在空问和时问上按叠加方式作用，经过内 部复杂的求和处理，由本神经元的轴突传送到其他神经元；另外，突触部分的连 接强度可以调节，其输入和输出之问还具有明显的非线性效应：所有神经元树突 上突触后的输入并不是简单的以求和方式影响本神经元的脉冲发放，而具有非线 性相乘的调制耦合特性，这些非线性特性都在生物神经系统实验研究中得到了进 一步验证，是种普遍存在的现象。脉冲耦合神经网络p c n n 就是利用神经元的这 些特性建构的。 2 2 1 p c n n 的基本模型 4 脉冲耦合神经网络p c n n 的一个神经元结构框图如图2 3 ，它由接受、调制和脉 冲产生三部分构成。 7 江南大学硕士学位论文 来自相邻神经元的连接 来自相邻神经元的反馈 阚值函数 困；回：圈 图2 3p c n n 神经元的结构图 神经元 接收部分的作用是接受来自相邻神经元的输入信息，它由反馈输入通道 ( f e e d i n gi n p u t s ) 和线性连接输入通道( l i n k i n gi n p u t s ) 两大分支组成。 反馈输入通道除了接受来自局部相邻神经元的突触输入信息外，还直接接受 来自外部的刺激信息输入。其运算关系为： e 加】= e x p ( 一口，) f d n 一1 + i i j + v r m i i k l ，z 一1 】 ( 1 ) 其中，凡历t ，为第( i ，j ) 个神经元的反馈输入，厶为外部输入刺激信号( 这 里为图像像素构成的矩阵中第( i ，j ) 个像素的灰度值) 。 另一个线性连接输入通道接受来自局部相邻神经元的突触输入信息，其运算 关系为： l ；小】= e x p ( 一口z ) f 【，l 一1 1 + 匕【，l 一1 】 ( 2 ) 其中，l 1 ，肠伪与第( i ，j ) 个神经元相连的其他神经元的线性输入。 式( 1 ) 、( 2 ) 中和是连接权重矩阵，j ，为神经元点火与否的信息，a ，和口 c 为时间衰减常量，k 和蛉为连接和反馈常量。 非线性连接调制部分也称神经元内部活动项，它由加有偏置的线性连接部分 与反馈输入两部分相乘获得。其运算关系为： u “【，l 】= f , j 【，l 】( 1 + 芦d 【厅】) ( 3 ) 其中，搠与第( i ，j ) 个神经元内部活动项，卢为突触之间连接调制常 8 * i 。一 第二章p c n n 神经网络 脉冲是否产生取决于内部活动项大小能否超过其激发动态门限，而此门限值 随着该神经元输出状态的变化相应发生变化。也就是说，神经元的脉冲生成器根 据内活动的一个阶跃函数产生二值输出，并根据第( i ，j ) 个神经元点火与否 的状态自动调整门限的大小。如果内活动玩比阈值函数e 庆，取值为1 ，称神 经元点火；否则取值为0 ，称神经元未点火。如果神经元点火，则根据畦对门 限函数要进行调整，其运算关系为： 匕【，z 】= s “( 【，z 】一e o 咒一1 】) = f 孑。i 【 n 甩】 s e e i j 【 甩n 一- 丑c 。， 巨f m = e x p ( - a e ) e 肋一i 】+ 巧m 一1 】 ( 5 ) 其中，口r 为时间衰减常量，为门限常量。 脉冲耦合神经元的作用过程：神经元接受反馈输入只，血掰口连接输入“厶盯， 然后在其内部神经元活动系统形成内部活动项伍，当既厶，苁于动态门限易历_ 7 时，产生输出时序脉冲序列肠_ 7 。 整个脉冲耦合神经网络的工作过程：如果神经元有脉冲输出，则其动态门限 突然增加，这样因为门限增大使得第二次不可能产生脉冲输出，于是门限又开始 指数衰减，当门限衰减到小于其内部活动项值时，脉冲输出又再次产生，如此周 而复始。显然，这些脉冲串输出又输入到与之相连的其他神经元的树突上，从而 又影响这些神经元的激发状态。 2 2 2 p c 嗍的特性 p c n n 中神经元与其他神经网络的神经元的根本区别 传统神经网络( 如b p 、h o p f i e l d 、c n n 、k o h o n e n 等神经网络) 主要体现在网络 的拓扑结构、确定权值的算法等方面：而构成这些网络的神经元的结构和功能是相 似的，都是将输入信号的加权和与门限值相比，得到输出：而p c n n 中的神经元是先 分别求输入信号与f 通道和l 通道的脉冲响应函数的卷积和，然后再进行相乘调制， 调制结果与门限相比，得到输出。 动态门限 构成神经元的门限是随着时间改变的，同时受到神经元输出的影响，当神经元 9 江南大学硕士学位论文 输出脉冲时，门限就随之而升高：发放脉冲后，门限按规律衰减。 自适应性 单个神经元中，信号尼和信号三越行相乘调制。当神经元之间拥有强连接权时， 它们之间并不一定存在影响；而拥有弱连接权时，也可能存在影响。两个相互连接 的神经元，若一个长期不点火，即使它们之间拥有强连接权，另一个神经元也不会 被激活。若两个神经元之间连接权非常小，但其中一个不断点火，则另一个神经元 也会被激活。 同步发放脉冲 神经元产生脉冲，若一段时间内被抑制，但这段时间内与其相邻的神经元由于 它的激发而点火发放脉冲，这样就会产生以最初点火神经元为中心的脉冲波。当一 个或数个神经元点火，输出的脉冲信号可使相邻的神经元迅速点火，从而这一群神 经元几乎同时发放脉冲或同时熄火，则称这一群神经元可同步发放脉冲。 2 2 3p c n n 与数字图像处理 利用p c n n 进行数字图像处理时，可以把二维图像矩阵m n 看作m n 个 p c n n 神经元模型，其每个像素的灰度值对应为每个神经元的输入s 。当内部连接 权矩阵，的领域内有灰度值相近的像素存在时，则其中某一个像素的脉冲输 出将会引起附近其它类似灰度像素对应神经元的激发，产生脉冲序列输出y 刀 。 由于序列7 包含有图像区域信息、边缘、纹理等特征信息，这样输出序列y 1 7 构成的二值图像就是p c n n 输出分割图像，这就是p c n n 进行分割图像的简单原理。 对于灰度差别很小，空间相似性较好区域的灰度图像，p c n n 倾向于同时激活， 区域神经元输出互相影响，这样p c n n 同时能应用于图像中目标的分类。 p c n n 为单层模型神经网络，p c n n 与传统神经网络模型相比，不需要训练过 程即可实现模式识别、图像分割、目标分类，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。同时，p c n n 在处理图像过程中将二维空问变量转化为 一维时间脉冲序列。尽管p c n n 神经元模型较传统人工神经元模型前进了一步， 但距实际生物神经网络模型还有很长一段距离。 2 2 4 简化的p c n n 模型 p c n n 神经网络是一种多参数神经网络模型，如各种门限参数、衰减时间常 数、加权因子、连接强度等，其应用效果的好坏在很大程度上取决于参数的设置， 因此就存在最优参数的寻找问题。但到目前为止各参数对网络模型的影响只存在 1 0 第二章p c n n 神经网络 定性分析，还没有一种针对不同图像的从而自动求得各参数最佳值的算法，只能 通过手动的实验分析来逐步设置。因此，将p c n n 神经网络应用于图像处理时，常 用一种简化的p c n n 神经网络模型 4 ： f 玎【n 】= i 玎 ( 6 ) l i j 【，l 】_ 圪k 【，l 一1 】 ( 7 ) u “n 】= 如【咒】( 1 + 肚口【叫) ( 8 ) 孙h 印咖心旷1 ) = 忙u 啪# n 】 吲 e o n - 1 j ( 9 ) e ；，i n 】= e x p ( 一) 岛i n 一1 】+ k 巧m 一1 】 ( 1 0 ) 将式( 6 ) 式( 1 0 ) 与式( 1 ) 式( 5 ) 比较可以发现，该简化的p c n n 神经元模型 去掉了输入域和连接域的漏电积分器。在连接域，周围神经元的脉冲输出作为反 馈直接进行加权求和，然后作为神经元的连接输入。在输入域，外部的刺激信息 直接作为神经元的输入。神经元的脉冲发生器部分保持不变，当神经元输出脉冲 时，门限函数输出预设门限眩，随后按照指数规律衰减。 该简化的p c n n 神经元模型在减少了模型参数的同时，一定程度上保持了原有 p c n n 神经元模型的几个重要特性： ( 1 )保持了p c n n 的连接域特性，状态相似的神经元同样因为连接域的作用而能够 同步输出脉冲； ( 2 )内部活动项仍由输入域和连接域的输出按照非线性方式共同组成，连接域作 用的大小有连接系数芦决定； ( 3 ) 门限函数的输出仍然按照指数规律动态衰减，当神经元输出脉冲时，输出门 限将被重置为瑶。 2 2 5p c n n 模型的m a t l a b 实现 m a t l a b 名字由m a t r i x 和l a b o r a t o r y 两词的i j i 三个字母组合而成。那是2 0 世纪七十年代，时任美国新墨西哥大学计算机科学系主任的c l e v em o l e r 出于减 轻学生编程负担的动机，为学生设计了一组调用l i n p a c k 和e i s p a c k 矩阵软件工 具包程序的“通俗易用”的接口，此即用f o r t r a n 编写的萌芽状态的m a t l a b 5 。 江南大学硕士学位论文 1 9 8 4 年m a t h w o r k s 公司，把m a t l a b 正式推向市场。此时m a t l a b 的内核采用 c 语言编写。经历二十年的发展，m a t l a b 已经成为国际上最流行的科学与工程计 算的软件工具，现在的m a t l a b 已经不仅仅是一个“矩阵实验室”了，它已经成 为了一种具有广泛应用前景的全新的计算机高级编程语言了，有人称它为“第四 代”计算机语言，它在国内外高校和研究部门正扮演着重要的角色。 m a t l a b 功能强大，具有数值计算和符号计算、计算结果和编程可视化、数字 和文字统一处理、离线和在线计算等功能，尤其擅长矩阵计算，处理大量数据。 与b a s i c 、f o r t r a n 、c 等高级语言相比，m a t l a b 更加简单和直接，它准许用数学 形式的语言编写程序，使科研工程人员从繁琐的程序代码中解放出来。 m a t l a b 功能丰富，包含有应用程序开发工具、数据存取工具、状态流图、模 块集、代码生成工具等。更具特色的是m a t l a b 集中了许多领域专家学者的智慧， 成功地扩展3 3 0 多个专业领域工具箱，如生物医学工程、图像处理、模糊控制、 神经网络等。根据它提供的5 0 0 多个数学和工程函数，人们可以在它的集成环境中 交互或编程以完成各自的计算。 下面以p c n n 用于图像分割为例，采用简化的p c n n 神经网络模型，编写出的 m a t l a b 程序代码： f u o i o n 【e d g e ，n u m b e r o f a e r a = p c n n ( x ) x 为读入图像文件 w e i g h t = 【o 510 5 ；101 ；0 51o 5 】； b e t a - - 0 4 ； y u z h i = 2 4 0 ； d e c a y = 0 3 ； 【r o w , c o l = s i z e ( x ) ； 求出图象尺寸 t h r e s h o l d = z e r o s ( r o w , c o l ) ； 生成零矩阵 s = z e r o s ( r o w + 2 ，c o l + 2 ) ； b = z e r o s ( r o w , c o l ) ； y = z e r o s ( r o w , c o l ) ； e d g e = z e r o s ( r o w , c o l ) ； n u m b e r o f a e r a = z e r o s ( r o w , c o l ) ； n u m b e r o f a e r a _ l = z e r o s ( r o w , c o l ) ； n u m = 0 ；n u m _ l = 0 ； 1 2 第二章p c n n 神经网络 n = 1 ： w h i l e ( n c = 2 0 、 f o ri = 2 c r 0 b w + 1 f o rj = 2 ：c o l + i v = l s ( i 1 j - 1 ) s ( i - 1 j ) s ( i - 1 ，j + 1 ) ； s ( i j 1 ) s ( i j ) s 嘶+ 1 ) ； s ( i + l j 一1 ) s ( i + l j ) s ( i + 1 j + 1 ) 】； l = s u m ( s u m ( v + w e i 曲t ) ) ； f = x ( i - 1 j 一1 ) ； u = p ( 1 + b c t a + l ) ； i fu = t h r e s h o l d ( i 一1 j 一1 ) t h r e s h o l d ( i - 1 j - 1 、 6 0 t ( i 一1 j - 1 ) = 1 ； t h r e s h o l d ( i - 1 j 1 ) = y u z h i ； y ( i 一1 j 一1 ) = 1 ； i f n = = 1 b r i 一1 j - 1 ) - - o ； e l s e b ( i 一1 j - 1 ) = 1 ； t h r e s h o l d ( i 一1 j 1 ) = 1 0 0 0 0 0 0 ； e n d e l s e t ( i 一1 j - 1 ) = 0 ； v ( i i j 一1 ) = o ； e n d e n d e n d t h r e s h o l d ( f i n d ( b - = 1 ) ) = e x p ( - d e c a y ) + t h r e s h o l d ( f i n d ( b - = 1 ) ) + y u z h i y ( i 1 , j - 1 ) ； i f1 1 = 1 e d g e = e d g e + j u d g e _ e d g e ( y , n ) ； y ( f i n d ( e d g e o 空间不相关性：e 【f j r 。】= 0 ，巧所以 时间不相关性：e 【，1 i f ，2 】= o ，t l t 2 1v 2 概率密度函数：p o ) 2 了亏e x p ( z , 石g r 一寺) 二u 此外，混合噪声干扰是指一幅图像同时受到脉冲噪声和高斯噪声的干扰。图 3 - 1 列出了原始l e n a 图像及分别受到脉冲噪声、高斯噪声、混合噪声干扰的图像。 江南大学硕士学位论文 ( a ) 原始l e n a 图像( b ) 脉冲噪声干扰 ( c ) 高斯噪声干扰( d ) 混合噪声干扰 图3 - 1 噪声干扰图像 3 2 传统的去除噪声方法 3 2 1 滤波器的客观评价 首先作如下符号定义： 原始图像i = ( ，d ) ，表示在( 力位置像素的灰度值，被噪声干扰的图像 x 一( x ) ，作为滤波器的输入，待处理的图像；滤波器的输出图像y 一( 匕) 。一种 滤波器算法被认为是一个算子一对被噪声干扰的图像j 进行运算f l = ) ，得到图像 只 对滤波器进行客观的评价也是一项关键的工作，一个好的滤波器算子应该能 1 6 第三章i ) c n n 在带噪声的图像中的应用 够有效地滤除图像中的噪声，恢复图像局部像素问的相关性，同时能够较好的保 护图像的边缘和细节信息，符合人眼的视觉特性。要对滤波效果进行客观评价， 使用较多的比较参量有：均方误差m s e 、平均绝对误差m a e 、峰值信噪l - l p s n r 。它 们的定义分别如下： m s e2 者酗口一b ) 2 ( 3 - 1 ) 删e2 吉酣一一匕l 睁2 ， 一钏，g 嘉g 南 s ， 其中，从 ，表示图像的行列数，0s ism 一1 ，o5 ，茎n 一1 。 滤波器的算法很多，各有自己的特点，根据其特点可分成两类：线性滤波器 和非线性滤波器。 3 2 2 线性滤波器 最简单的线性滤波器是均值滤波器，标准的均值滤波器用一大小为崩w ( = z 丘z ) 的滑动窗口对图像进行处理，位于窗口中心的像素的灰度值用该 窗口内的所有像素灰度值的平均值来代替。即： g ( 训) 2 古“l ( w ) 式中为邻域s 中的像素点数，s 邻域可取四邻域或八邻域。 在数字信号处理的早期研究中，线性滤波器是噪声拘制的主要手段，但传统 的线性滤波器在滤除图像中噪声的同时，会严重模糊图像的边缘，丢失图像的细 节信息。 3 2 3 非线性滤波器 最简单的非线性滤波器是中值滤波器，它同均值滤波器一样，采用滑动窗口 对图像进行过滤，对大4 、为 体( 肛另五z ) 窗口内的各像素的灰度值按大小顺 序排序，然后用位于中间位置的像素的灰度值代替位于窗口中心的像素的灰度值。 设有一个一维序列，1 ，2 ，六，取窗口长度( 点数) 为历( 口为奇数) ，对其 1 7 江南大学硕士学位论文 进行中值滤波，就是从输入序列中相继抽出四个数正。，正。正，五州，正+ ，( 其 中7 ；为窗口中心点的灰度值，v = ( 1 1 1 j ) 2 ) ，再将这1 1 1 个点按其大小排序，取位 于中间位置的值作为滤波输出。即： y ；m e d l 州，加，f + ，】，：掣 二 相对而言。中值滤波器容易去除独立点的噪声，同时保持图像的边缘，但是对 一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波器。 3 3 近年常用的去除噪声方法 近些年来，随着各门学科的研究和应用的不断深入，出现了许多新的除噪算 法。如： 3 3 1 基于数学形态学的滤波器 数学形态学是一种非线性滤波方法，形态和差( 膨胀和腐蚀) 是数学形态学 的基础。它早期应用于二值图像，将二值图像当作集合，然后用一个称为结构元 的小集合对图像进行交、并等集合运算。随后数学形态学应用到灰度图像的处理 中，二值化形态学中用到的交、并运算分别用最大、最小极值运算代替。此后随 着形态学和其他学科的交叉结合，又出现了许多新的算法：将模糊数学应用到数 学形态学领域，形成模糊数学形态学；用排序加权统计方法代替最大、最小法而 形成了具有更强的抗噪声干扰能力的软数学形态学；引入多重尺度的概念，采用 多结构元数学形态学滤波等等。 3 3 2 基于小波变换的滤波器 小波变换作为一种有效的时空尺度分析方法，近年来获得广泛的关注，它为 图像处理提供了一种多分辨率的方法，同时给出了图像的空域和频域信息。这样 利用小波变换进行噪声平滑，具