PCNN在图像增强中应用.pdfVIP

PCNN 在图像增强中的应用 马义德，王兆滨 兰州大学信息科学与工程学院 （730000 ） E-mail:ydma@ 摘 要： 本文研究并综述了如何应用有生物学依据的脉冲耦合神经网络(PCNN)的脉冲发放 特性进行图像增强处理。首先阐述了如何进行灰度图像增强，其次介绍了彩色图象的增强， 最后我们用大量的实验结果证明，PCNN 图像增强效果是十分有效的。 关键词：脉冲耦合神经网络，图像增强，马赫带效应 1.引 言 脉冲耦合神经网络(PCNN)是一种不同于传统人工神经网络的新型神经网络，有着生物学 背景，是依据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的 PCNN 是当前智能 信息处理的最新研究领域之一，目前它的理论研究仍处在发展阶段。 图像增强是一种基本的图像底层处理手段，它的目的就是将原来不清楚的图像变得清晰 或把感兴趣的某些特征强调出来，图像增强处理的好坏直接影响后续的图像分析与模式识别 传统的图像增强技术分为频域法和空域法这两类算法只是简单地改变整个图像的对比度或 抑制噪声，在抑制噪声的同时也削弱了图像的细节部分；需要用户的干预较多，不能自动完 成图像增强不同的目标在不同的场景下的目标图像特征是有一定差异的，因而采用的增强方 法也应是有差异的。 2.PCNN 模型简介 从上世纪 90 年代开始，由Eckhorn 等对猫的视觉皮层神经元脉冲串同步 振荡现象的研究，得到了哺乳动物神经 元模型，并由此发展形成了脉冲耦合神 图 1 PCNN 模型 经网络PCNN模型，如图 1 所示。当该模型应用到图像增强处理时，二维图像矩阵M ×N相当 于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Iij 。此时的数 学模型[1]如下所示： Fij [n] = Iij L [n] = exp(–α )L [n] + V ∑W Y [n –1] ij L ij L ijkl kl U [n] = F [n](1+βL [n]) (1) ij ij ij U n n θ − [ ] [ 1] ⎧1 ij ij Y n [ij ] ⎨ U n n [ ] [ ≤ 1] −θ 0 ⎩ ij ij θ [n] = exp(–α)θ [n – 1] + V Y [n – 1] ij θ ij θ ij 上式中，F [n]为第(i, j)个神经元的n次反馈输入；L [n]为第(i, j)个神经元的n次