PCNN脈沖耦合神經網絡

1、PCNN脈沖耦合神經網絡目錄PCNN脈沖耦合神經網絡1前言2脈沖耦合神經網絡模型2PCNN的神經元j的離散方程3變量說明3優(yōu)良特性4功能及應用41.圖像去噪42. 圖像增強43. 圖像分割44. 圖像邊緣檢測45. 圖像融合46. 圖像陰影去除57. 求解最小路徑5PCNN實現濾波5圖像分割8紅細胞圖像9PCNN圖像信息提取13邊緣檢測15圖像增強16前言從 20 世 紀90年代開始，由Eckhorn等對貓的視覺皮層神經元脈沖串同步震蕩現象的研究，得到了哺乳動物神經元模型，對Eckhorn提出的模型進行一些改進，就得到了脈沖耦合神經網絡模型。脈沖耦合神經網絡模型 分別以相對較小/較大的時間常數

2、 對神經元j某鄰域內的其他神經元的輸出進行漏電容積分加權和，此外還接受該神經元的外部刺激。鏈接器以乘積耦合形式 構成神經元J的內部行為Uj。脈沖產生器由對網絡輸出進行漏電容積分的變閾值特性(起激活該神經元的作用)和硬限幅函數(起抑制該神經元的作用)組成，脈沖是否產生取決于內部行為大小能否超過其激發(fā)動態(tài)門限，且此門限值隨著該神經元輸出狀態(tài)的變化發(fā)生變化。當閾值j小于Uj時，神經元被激活(即輸出Yj=1),稱之為點火一次，緊接著因為輸出端對閾值的反饋使得閾值j突然變高(通常Ve取值大)，神經元又被抑制(即輸出Y =0)，從而在神經元輸出端產生一個脈沖信號，此脈沖信號經過加權又連接到相鄰神經元的輸入

3、端，從而影響這些神經元的激發(fā)狀態(tài)，故該網絡稱為脈沖耦合神經網絡。PCNN的神經元j的離散方程 變量說明:內部活動項的連接因子F、VF、F：反饋輸入域、其放大系數、衰減時間常數L、VL、L：耦合連接域、其放大系數、衰減時間常數、V、：動態(tài)門限、其放大系數、衰減時間常數I：神經元強制激發(fā)的外部激勵U：內部活動項Y：輸出脈沖 (0或1)對于圖像處理，它可以做相應的簡化。優(yōu)良特性 功能及應用1. 圖像去噪現實中的數字圖像在數字化和傳輸過程中常受到成像設備與外部環(huán)境噪聲干擾等影響，稱為含噪圖像或噪聲圖像。減少數字圖像中噪聲的過程稱為圖像去噪2. 圖像增強圖像增強是指按照特定的要求突出一幅圖像中的某些感興

4、趣信息，以獲得更“好”的視覺效果的一種圖像處理技術.這種“好”的評價是由圖像的觀察者給出的.根據人眼視覺的特性，提出了各種基于PCNN的圖像增強算法3. 圖像分割將圖像劃分為一些互不重疊的區(qū)域，每一區(qū)域是像素的一個連續(xù)集4. 圖像邊緣檢測邊緣檢測是圖像處理和計算機視覺中的基本問題，邊緣檢測的目的是標識數字圖像中亮度變化明顯的點。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化5. 圖像融合圖像融合（Image Fusion）技術是指將多源信道所采集到的關于同一目標的圖像經過一定的圖像處理，提取各自信道的信息，最后綜合成同一圖像以供觀察或進一步處理。6. 圖像陰影去除7. 求解最小路徑PCNN

5、實現濾波主要實現去除椒鹽噪聲，對于高斯噪聲有一定的效果(有專門去除高斯噪聲的算法)  將程序改到GPU上，matlab和GPU對比如下：加10%椒鹽噪聲，CPU結果：  Matlab結果：（Elapsed time is 64.288210 seconds.）GPU結果： 加30%椒鹽噪聲，CPU結果：Matlab結果：（Elapsed time is 90.547142 seconds.）GPU結果：圖像分割第二幅是圖像分割的結果，第3、4幅為利用PCNN自動波的特點去除圖像微小干擾物體的結果。紅細胞圖像圖像分割測試紅細胞：PCNN圖像信息提取計算信息熵得如圖：縱坐標為熵值，橫坐標為PCNN迭代次數。從熵值看，可知隨著迭代次數的增加，在16以后，熵是遞減的趨勢。迭代10次：迭代20次：迭代30次：迭