温峤娶妇传统人工神经网络只利用了生物神经元有限的属性进行模型构建，而90年代产生的脉冲耦合神经网络建立在模仿生物视觉皮层神经元活动的Eckhorn模型的基础上，并由Johnson和其他研究者做了进一步工作，而最终演化为一种单层迭代神经网络模型，因此它更符合生物的自然视觉特性，在图像处理的各个方面都获得了应用，如图像平滑、图像分割、目标识别、边缘检测、特征提取等。
神经网络算法比起传统的算法表现出了很大的优越性，这主要表现在:(1)高度并行处理能力，处理的速度远远高于传统的序列处理算法；(2)具有自适应功能，能够根据学习提供的数据样本出和输出数据的内在联系；(3)非线性映射功能，图像处理很多问题是非线性问题，神经网络为处理这些问题提供了有用的工具；(4)当爱已成负担
电力系统及其自动化学报具有泛化功能，能够处理带有噪声的或不完全的数据。 PCNN神经元模型框图是由：树突、非线性连接调制、脉冲产生三部分构成。树突部分的作用是接收来自相邻神经元的输入信息，非线性连接调制部分也即神经元内部活动项，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。 脉冲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。
PCNN进行图像分割的简单原理是二维图像矩阵解剖学杂志M×N可以理解为M×N个PCNN神经元模型，其每一个像素的灰度值对应为每个神经元的输入Sij。当内部连接矩阵自然界大事件M、W所在邻域内有灰度值相近的像素存在时，则其中某一个像素的脉动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、纹理等特征信息。这样输出序列Y[n]构成的二值图像就是PCNN输出分割图像。
所以，整个脉冲耦合神经网络的工作过程是这样的：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有产生脉冲输出，于是门限又开始指数衰减，当门限值衰减到小于其内部活动项值时，脉冲又再次产生，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。
在数学领域PCNN模型图像分割经常采用如：（1）利用《概率论与数理统计》中的相关系数公式将分割后的图像背景和目标看作是两个随机变量山西省发布第1号总林长令X和Y,通过不同的迭代得到不同的图像分割背景和目标,最后由最大相关系数判定准则选择出理想的分割结果；（2)采用二维最
大相关准则确定PCNN网络的循环迭代次数,并引用中值滤波的思想对PCNN的接收部分进行了改良,以克服噪声对分割过程的影响;(3)用改进的PCNN模型对图像进行增强,然后采用PF-PCNN新模型对增强后的图像进行分割,最后用最大香农熵的方法判定最佳分割结果.通过实验仿真,证明了PFPCNN图像分割方法的有效性。（4）采用Matlab编程语言对大量图像进行仿真实验来验证算法的有效性，获得较好的实验结果。
总之，PCNN为单层模型神经网络，PCNN与以往经典神经网络模型相比，不需要训练过程即可实现模式识别、图像分割、目标分类等。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。而且PCNN应用于图像分割,能较好地处理待分割图像目标和背景灰度范围有重叠的情况,同时也能忽略同一区域内小的灰度差异和空间间断,因此它在图像分割中具有一定的应用潜力。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议