脉冲耦合神经网络在医学图像处理中的应用.docVIP

脉冲耦合神经网络在医学图像处理中的应用 马振兴,赵硕 北京邮电大学电信工程学院,北京(100876 E-mail:marsma@ 摘要:本文通过将脉冲耦合神经网络应用到医学图像处理中,在HIS色彩空间上的彩色图像增强算法。该算法能够在平滑图像、突出图像边缘的同时,通过对亮度强度分量的均衡化处理和对饱和度分量的非线性指数调整,改善了医学图像的视觉效果和图像色彩的真实效果。 关键词:图像处理,脉冲耦合神经网络,医学图像 1.引言 医学的发展要求更高的图像清晰度来满足高科技手术的要求,由于人眼能分辨的灰度等级是有限的,所以有些图像看起来是同一灰度,但是实际上他们存在微小的差别,这样如果我们直接进行锐化处理,这些原本看起来是同一灰度级的区域,有可能出现灰度的不同变化,使得图像效果恶化。为了减少这种情况的出现,本文采用PCNN机制对医学图像进行灰度均衡处理,达到了比较理想的效果。 2.PCNN的固有机制介绍 脉冲耦合神经网络(Pulse-Coupled Neural Networks,PCNN是Eckhorn提出的一种通过模拟在哺乳动物的大脑视觉皮层中所观察到的与特征有关的神经元同步行为而建立起来的一个简化模型[1]。目前,关于PCNN模型及其应用研究在国内外得到了广泛的重视,并且已被证实在图像处理上有着重要的应用前景。本文提出了将PCNN用于图像锐化的研究中,通过理论分析和实验验证,表明该方法不仅能较好地平滑图像区域、突出图像边缘,而且能明显地改善图像的视觉效果、增强图像的真实效果。 从20世纪90年代开始,由R.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,并由此发展成了脉冲耦合神经网络PCNN模型。该模型如下图所示: 图1脉冲耦合神经网络原理图 PCNN 是一种不同于传统人工神经网络的新型神经网络。它是在哺乳动物的大脑视觉皮层行为的启发下而建立起来的。与传统人工神经网络的最大区别是:(1构成PCNN 系统的每一神经元是动态神经元;(2每一神经元具有动态脉冲发放特性;(3PCNN 系统不需要训练,是一个强自适应系统。 为了更好的将PCNN 用于图像增强,我们将PCNN 模型作如下简化: ][n F ij = I ij ][n L ij = exp(-αij ][n L ij + V L ∑?]1[n Y W kl ijkl =][n U ij ][n F ij (1+β][n L ij (1 ]1[]1[exp(][?+??=n Y V n n ij ij ij θθθαθ ij Y =1 , ][n U ij ][n ij θ ij Y =0 , ][n U ij ≤][n ij θ 若把PCNN 看作为二维空间分布的结构模型,那么,每一神经元 N ij (i, j =1,2,3,…的结构框图如图1。由图中看出,每一神经元除接收来自外部的刺激 I ij 外,还接收来自内部网络其他神经元的馈送输入 F ij 和联接输入L ij ,接着,以乘积耦合形式F ij (1+βL ij 构成神经元 N ij 的内部行为U ij ,通过动态阈值ij θ与U ij 的比较而激励或抑制神经元的脉冲信号输出Y ij (又称为点火。其离散数学模型见式(1, 其中, β为神经元的连接强度;m 和w 分别是馈送域和联接域中神经元之间的连接权系数; τF 和τ L 分别为神经元N ij 对其邻域内的其他神经元输出进行漏电容积分的连接时间常数; τθ为动态阈值函数的衰减时间常数; V F 、V L 和V θ分别为馈送域、联接域和阈值输出的放大系数。 (1 动态阈值机制。在标准PCNN 模型中,每一神经元的阈值是随时间按指数规律衰减变化的。设神经元输出 Y ij 的初始状态为0。一旦神经元输出Y ij =1即点火,就会导致其内部的阈值迅速增至V θ (注: V θ 》U ij ,通过反馈迅速使该神经元的输出Y ij =0,从而产 生一个脉冲输出。接着, ij θ随时间按指数规律衰减,当ij θ U ij 时,神经元输出Y ij 再次被点火,反过来,又导致内部的阈值迅速增至V θ,通过反馈又迅速使Y ij 为0。依此类推,最终导致神经元的输出产生连续的脉冲序列。神经元的脉冲输出或点火时刻主要取决于其外部刺激强度I ij 、动态阈值衰减的时间常数τθ和神经元间的连接强度β。 (2 神经元间的局部互连机制。如果彼此邻近的神经元互连,那么,其中的某神经元的点 火,就会导致邻近未点火的神经元的内部行为由原来的I kl 提升为F kl (1+βI kl 。若I kl (k,l =1,2,3,…;k ≠i,l ≠j与I ij 的输入值相近或差值很小,那么就激励I kl 在同一时刻点火(即同步点火,否则,就抑制I kl 而在不同的