改进遍历过程PCNN在图像处理中应用.docVIP

改进遍历过程PCNN在图像处理中应用 　　摘 要： 　　图像通常包含多个颜色相同的连通区域，针对脉冲耦合神经网络无法对它们进行分离提取的问题，提出一种改进遍历过程的脉冲耦合神经网络模型。通过引入深度优先搜索遍历算法，将不连通的多个同色区域分层激活，从而实现分离。最后针对图像噪声对新模型的影响，对其作进一步改进。以每层激活区域的大小作为图像噪声杂点判定的依据，并引入均值滤波算法来消除。实验验证了改进后的模型对图像多个同色连通区域的分离效果及噪声杂点的去除能力。 　　关键词：脉冲耦合神经网络；噪声判定；均值滤波 　　0 引言 　　图像通常包含相同颜色、不同颜色的多个连通区域，对这些连通区域的分离提取在图像处理中起着关键作用[1]，有助于后续的特征提取、分析及目标识别。目前针对图像连通区域提取的方法主要有像素标记法[2-3]、线标记法[4-5]、区域生长法[6-7]等，这些方法虽能有效提取图像中的连通区域，但它们大都是针对二值图像来作处理，可用于分离提取多个同色连通区域，而在处理包含多种颜色的图像时，需要将多种颜色降维至两种，如图像分割等，最终可能会导致多个位置相邻的目标作为单个目标被错误提取出来。 　　脉冲耦合神经网络（Pulse Coupled Neural Network， PCNN）较为符合人脑视皮层的工作机制，在图像处理中具有一定的优势[8]。PCNN可以通过多次迭代的输出来实现图像不同颜色区域的分离提取，但对一次迭代过程中出现的多个同色连通区域的分离却无能为力，目前还鲜有文献对此进行讨论。针对这一问题，本文将连通区域提取方法融入PCNN迭代过程中，提出一种改进遍历过程的PCNN模型结构（Pulse Coupled Neural Network of Improved Traversal，PCNNIT），使它在分离图像不同颜色区域的同时，也能够将颜色相同的多个连通区域一并分离提取出来。在此基础上，对每个连通区域的大小作噪声点判定，参考均值滤波算法来消除。仿真实验结果显示出，改进后的模型具有优良分层效果，在引入噪声消除模块后，具有较好的图像去噪能力，可轻易去除掉具有强对比度的孤立噪声点。 　　1 PCNN模型及其实现时的遍历过程 　　1.1 PCNN模型 　　1990年，Eckhorn根据猫的大脑皮层同步脉冲发放现象，提出了一种连接模型[9]。其后，Johnson和Ranganath等人又对该模型进行完善，使它更适合于图像处理，形成了标准PCNN模型[10-11]。该模型具有一定的生物学依据，但由于它的结构比较复杂、参数多等问题，目前较常用的是其简化形式，单个神经元的结构及其第n次迭代过程中的离散数学方程可描述为 　　1.2 PCNN模型遍历过程 　　PCNN模型在计算机中实现的遍历过程类似于广度优先遍历方式：处理完一个像素点后，开始处理其右邻接像素点；如果不存在，就处理下一行最左位置像素点；如果下一行也不存在，表示一次PCNN迭代的完成。 　　然而这种实现方式未能模拟生物同层神经细胞间的并行工作机制，原因在于：1）当前计算机中物理CPU个数受限；2）采用并发多线程技术（Simultaneous MultiThreading，SMT）时，又将涉及到内存占用、共享及数据一致性等问题，且单个PCNN模型的计算工作为浮点密集型，耗费CPU时间长，对浮点单元与内存带宽消耗比较大，使得PCNN模型的实现过程并不适合SMT技术而采用单线程方式进行逐个像素点的处理。由于这种遍历方式未考虑像素点的区域特性，造成图像中满足激活条件所有同色像素点同时激活，也就无法实现多个同色连通区域块分离。 　　基于此问题，本文改进了模型实现时的遍历过程，提出了PCNNIT模型，并由仿真实验来测试其分离提取能力。 　　2 PCNNIT 　　PCNNIT中单个神经元模型在简化PCNN基础上引入了点火时间矩阵（Fire Time Matrix，FTM） [12-13]，增加了迭代次数的自动判定功能；综合深度优先、广度优先两种搜索方式来改进模型在计算机中实现时的遍历过程，实现了同色不相邻区域的分离。 　　2.1 PCNNIT中单个神经元模型 　　在简化PCNN基础上，新模型结构需要增加调整T值与遍历标记模块，如图2，离散方程描述增加了式（6）和（7）： 　　本文取灰度图像作为实验材料，用Graymax表示图像最大灰度值，由于图像一般迭代10～40次即可得到较好结果，因此取最多迭代次数timesmax=50；另外，阈值指数降低，灰度值接近于零的像素点很难被激活，因此需要增加参数K来控制PCNN的迭代次数。参考人眼的灰度分辨特性，在0灰度附近人眼能分辨出7个灰度等级[14]，即0灰度与7灰度认为是一个灰度颜色。则K值可取为：原始图像