基于脈沖神經(jīng)網(wǎng)絡的圖像特征提取與應用研究.pdf

1、　　人工神經(jīng)網(wǎng)絡從誕生至今經(jīng)過了六十多年的演變,相對于傳統(tǒng)神經(jīng)網(wǎng)絡,第三代人工網(wǎng)絡脈沖神經(jīng)網(wǎng)絡(Spiking Neural Network,SNN)更好地模仿了生物神經(jīng)元的工作原理。SNN中的脈沖耦合神經(jīng)網(wǎng)絡(Pulse Coupled Neural Network,PCNN)對圖像的處理獲取的特征序列具有很好的尺度不變性、旋轉(zhuǎn)不變性、信號強度不變性和信號扭曲不變性,而交叉皮層神經(jīng)網(wǎng)絡(Intersecting Cortical Mo

2、del Neural Network, ICMNN)可以看做是PCNN的簡化模型,繼承了PCNN提取的特征序列的特性。大量的研究表明,PCNN的生物學工作機制決定了它作為圖像處理引擎的有效性。論文將探究兩種SNN模型：脈沖耦合神經(jīng)網(wǎng)絡和交叉皮層模型神經(jīng)網(wǎng)絡。
　　特征提取是成功進行圖像描述、分類、分析等過程中的關鍵環(huán)節(jié)?；谡J知理論和感知經(jīng)驗,給定一種紋理圖像,對該種紋理圖像不論進行怎樣的變換、旋轉(zhuǎn)、縮放、仿射、甚至是失真處理

3、后獲取的圖像,從人類觀察的角度來說都應該是同一種紋理,對應地,提取到的紋理特征也應該是不變的。因此,不變性紋理特征提取在實際應用和理論分析中都是不可或缺的一部分。論文從紋理特征的提取角度,利用 PCNN 的特性進行了紋理圖像的特征提取和應用研究。
　　首先,論文利用ICMNN對灰度信息不發(fā)生變化但像素分布位置發(fā)生變化的圖像,提取直接及間接的圖像結構信息,并將其用于圖像置亂算法的性能評價。由于ICMNN的連接調(diào)制,可以將圖像的結

4、構信息有效地進行耦合,所以,論文通過增大連接強度因子,減小灰度信息來提取圖像的結構信息。針對圖像像置亂變換的置亂評價問題,對ICMNN的模型進行了改進,通過加入連接強度因子耦合圖像的結構信息,削弱灰度信息,從而實現(xiàn)對圖像的結構信息的提取,使得置亂評價的結果與視覺評價相一致。由于改進算法是通過間接的方式提取圖像的結構信息,為了進一步能夠直接提取結構信息,論文采用按位分解圖像的方法對圖像進行處理,并利用ICMNN實現(xiàn)了直接結構信息的提取。

5、
　　其次,論文研究了灰度信息發(fā)生一定變化但具有強結構信息的紋理圖像的不變性特征提取。為了減少圖像灰度信息變化帶來的干擾,論文首先利用局部二值模式(Local Binary Pattern ,LBP )將圖像從灰度模式轉(zhuǎn)化成二值結構模式,然后對二值結構模式的圖像進行PCNN 處理以獲取不變性特征序列。通過將LBP 和PCNN 相結合,提取具有較好平移、旋轉(zhuǎn)、縮放、光照不變性的圖像特征序列。利用 Brodatz圖庫進行的實驗結果表

6、明,論文提出的基于LBP與PCNN的圖像檢索提取的特征具有平移、旋轉(zhuǎn)、縮放、光照不變性。
　　再次,論文針對內(nèi)容復雜的圖像,利用 PCNN 分解模型對圖像進行乘性分解,提取圖像在不同細節(jié)層次下的圖像特征。論文采用 PCNN 分解模型將圖像按照結構層次進行分解,將原圖像中的內(nèi)容分解到不同的圖像中,以根據(jù)需求獲取圖像中不同的內(nèi)容。通過對PCNN的分解模型進行改進,降低了PCNN分解模型的復雜度,增強了該模型的魯棒性,同時,將改進后