基于图像PCNN去噪和保持边缘算法研究.docVIP

基于图像PCNN去噪和保持边缘算法研究 　　摘要：脉冲耦合神经网络（PCNN）以其更接近生物处理信息机制的优越性，广泛应用于图像处理的各个方面。为了有效的滤除图像中的脉冲噪声，提出来一种PCNN与保持边缘的方法相结合的算法，在滤除噪声后进行图像边缘提取。实验结果表明该算法比中值滤波去噪后提取边缘的算法取得较好的效果。 　　关键词：PCNN 提取边缘 保持边缘 　　中图分类号: TP391.4 文献标识码：A 文章编号：1007-9416(2011)11-0135-03 　　 　　Image Noise-erased and Edge Extraction Algorithm Upon PCNN and Strengthening Edge 　　 　　Gao Mingjun Gao Kanglin 　　(Shandong university of Finance and Economics Institute of Computer Information Engineering 250014) 　　 　　Abstract: Pulse coupled neural network (PCNN) is widely use in aspects of image processing for its advantages of information treatment system closer to biological. In order to filter out impulse noise in image effectively, a method of combination PCNN and maintain the edge is proposed, then extract the edge of the image. Experimental results show that the combination algorithm gets the better result than the median filter. 　　Key Words: PCNN edge extraction strengthening edge 　　 　　图像去噪是图像预处理的一个基本内容，去噪时要尽可能保留原图的细节和边缘。而脉冲噪声在图像噪声中占很大一部分，在去除脉冲噪声方面，中值滤波和均值滤波是目前应用比较广泛的传统滤波方法。两个方法在去除脉冲噪声方面各有特点。中值滤波会破坏和丢失一些图像细节，而均值滤波会使图像的边缘变得模糊，而且随着噪声强度的增强，两者的处理效果下降。为了克服这些缺点，一些新的方法被提出来[1,2]。而本文就采用PCNN去噪算法。 　　脉冲耦合神经网络（Pulse coupled neural networks，简称PCNN）是一种新型的神经网络，它不需要经过训练，与传统意义上的神经网络有着本质区别。近十年来，在图像处理领域得到广阔应用[3,4]。PCNN模型需要确定相应参数，选取合适的参数有利于图像的处理。本文的参数通过实验来得。图像去噪是图像分割、边缘检测前的基础，本文主要针对脉冲噪声进行去噪，并在处理后再应用保持边缘的方法进行处理，最后进行提取边缘，算法取得了较好的效果。 　　1、与保持边缘相结合的PCNN去噪模型 　　1.1 PCNN模型 　　PCNN模型是由Eckhorn等人[5]模拟猫的大脑视觉皮层，经试验所得到的神经元同步行为而提出的同步脉冲发放现象的连续模型。Kuntimad等人[6]改进Eckhorn的PCNN模型，使得该模型简洁直观。PCNN模型利用了生物神经元的激活特性及阈值指数衰减特性，其指数衰减的幅值变化符合人眼对灰度相应的非线性要求。一些学者提出了基于传统PCNN模型的改进模型[7,8]，本文采用马义德等人[9]提出的简化PCNN神经元模型。该PCNN的离散数学迭代模其中，Iij为外部激励，即点（i,j）对应像素点的灰度值；Fij是神经元的输入项；Lij、Uij、Yij、Eij分别为各神经元的连接输入、内部活动项、脉冲输出和动态阈值。是连接域的连接系数，Wij是耦合连接域的连接矩阵，是动态门限的时间衰减常数。该简化神经元模型去掉了输入域和链接域的漏电积分器。在连接域，周围神经元的脉冲输出作为反馈直接进行加权求和，然后作为神经元的连接输入。 　　1.2 保持边缘模板 　　本文采用8方向的保持边缘的模板[10]来处理经过PCNN去噪后的图像，可取得较好的效果。该模板共有9个模板，如图1所示。 　　图中较大的黑点表示待处理的像素点，其它的是与该点相关的像素点。其中，（b）、（d）、（f）、（h）四个模板图相似，（a）、（c）、（g）、（