PCNN脈沖耦合神經(jīng)網(wǎng)絡(luò)

1、PCNN脈沖耦合神經(jīng)網(wǎng)絡(luò)目錄PCNN脈沖耦合神經(jīng)網(wǎng)絡(luò)1前言2脈沖耦合神經(jīng)網(wǎng)絡(luò)模型2PCNN的神經(jīng)元j的離散方程3變量說(shuō)明3優(yōu)良特性4功能及應(yīng)用41.圖像去噪42. 圖像增強(qiáng)43. 圖像分割44. 圖像邊緣檢測(cè)45. 圖像融合46. 圖像陰影去除57. 求解最小路徑5PCNN實(shí)現(xiàn)濾波5圖像分割8紅細(xì)胞圖像9PCNN圖像信息提取13邊緣檢測(cè)15圖像增強(qiáng)16前言從 20 世 紀(jì)90年代開(kāi)始，由Eckhorn等對(duì)貓的視覺(jué)皮層神經(jīng)元脈沖串同步震蕩現(xiàn)象的研究，得到了哺乳動(dòng)物神經(jīng)元模型，對(duì)Eckhorn提出的模型進(jìn)行一些改進(jìn)，就得到了脈沖耦合神經(jīng)網(wǎng)絡(luò)模型。脈沖耦合神經(jīng)網(wǎng)絡(luò)模型 分別以相對(duì)較小/較大的時(shí)間常數(shù)

2、 對(duì)神經(jīng)元j某鄰域內(nèi)的其他神經(jīng)元的輸出進(jìn)行漏電容積分加權(quán)和，此外還接受該神經(jīng)元的外部刺激。鏈接器以乘積耦合形式 構(gòu)成神經(jīng)元J的內(nèi)部行為Uj。脈沖產(chǎn)生器由對(duì)網(wǎng)絡(luò)輸出進(jìn)行漏電容積分的變閾值特性(起激活該神經(jīng)元的作用)和硬限幅函數(shù)(起抑制該神經(jīng)元的作用)組成，脈沖是否產(chǎn)生取決于內(nèi)部行為大小能否超過(guò)其激發(fā)動(dòng)態(tài)門(mén)限，且此門(mén)限值隨著該神經(jīng)元輸出狀態(tài)的變化發(fā)生變化。當(dāng)閾值j小于Uj時(shí)，神經(jīng)元被激活(即輸出Yj=1),稱之為點(diǎn)火一次，緊接著因?yàn)檩敵龆藢?duì)閾值的反饋使得閾值j突然變高(通常Ve取值大)，神經(jīng)元又被抑制(即輸出Y =0)，從而在神經(jīng)元輸出端產(chǎn)生一個(gè)脈沖信號(hào)，此脈沖信號(hào)經(jīng)過(guò)加權(quán)又連接到相鄰神經(jīng)元的輸入

3、端，從而影響這些神經(jīng)元的激發(fā)狀態(tài)，故該網(wǎng)絡(luò)稱為脈沖耦合神經(jīng)網(wǎng)絡(luò)。PCNN的神經(jīng)元j的離散方程 變量說(shuō)明:內(nèi)部活動(dòng)項(xiàng)的連接因子F、VF、F：反饋輸入域、其放大系數(shù)、衰減時(shí)間常數(shù)L、VL、L：耦合連接域、其放大系數(shù)、衰減時(shí)間常數(shù)、V、：動(dòng)態(tài)門(mén)限、其放大系數(shù)、衰減時(shí)間常數(shù)I：神經(jīng)元強(qiáng)制激發(fā)的外部激勵(lì)U：內(nèi)部活動(dòng)項(xiàng)Y：輸出脈沖 (0或1)對(duì)于圖像處理，它可以做相應(yīng)的簡(jiǎn)化。優(yōu)良特性 功能及應(yīng)用1. 圖像去噪現(xiàn)實(shí)中的數(shù)字圖像在數(shù)字化和傳輸過(guò)程中常受到成像設(shè)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(shù)字圖像中噪聲的過(guò)程稱為圖像去噪2. 圖像增強(qiáng)圖像增強(qiáng)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(jué)效果的一種圖像處理技術(shù).這種“好”的評(píng)價(jià)是由圖像的觀察者給出的.根據(jù)人眼視覺(jué)的特性，提出了各種基于PCNN的圖像增強(qiáng)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(gè)連續(xù)集4. 圖像邊緣檢測(cè)邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺(jué)中的基本問(wèn)題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)。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(shù)是指將多源信道所采集到的關(guān)于同一目標(biāo)的圖像經(jīng)過(guò)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(jìn)一步處理。6. 圖像陰影去除7. 求解最小路徑PCNN

5、實(shí)現(xiàn)濾波主要實(shí)現(xiàn)去除椒鹽噪聲，對(duì)于高斯噪聲有一定的效果(有專門(mén)去除高斯噪聲的算法)  將程序改到GPU上，matlab和GPU對(duì)比如下：加10%椒鹽噪聲，CPU結(jié)果：  Matlab結(jié)果：（Elapsed time is 64.288210 seconds.）GPU結(jié)果： 加30%椒鹽噪聲，CPU結(jié)果：Matlab結(jié)果：（Elapsed time is 90.547142 seconds.）GPU結(jié)果：圖像分割第二幅是圖像分割的結(jié)果，第3、4幅為利用PCNN自動(dòng)波的特點(diǎn)去除圖像微小干擾物體的結(jié)果。紅細(xì)胞圖像圖像分割測(cè)試紅細(xì)胞：PCNN圖像信息提取計(jì)算信息熵得如圖：縱坐標(biāo)為熵值，橫坐標(biāo)為PCNN迭代次數(shù)。從熵值看，可知隨著迭代次數(shù)的增加，在16以后，熵是遞減的趨勢(shì)。迭代10次：迭代20次：迭代30次：迭