趙海燕

?

新的PCNN實(shí)現(xiàn)方法及其在圖像處理中的應(yīng)用研究

趙海燕

成都東軟學(xué)院計(jì)科系，四川 都江堰 611844

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，圖像處理技術(shù)水平也是在不斷得到提升，其所應(yīng)用的先進(jìn)技術(shù)也是越來(lái)越多，其中PCNN在圖像處理中的應(yīng)用使得圖像處理的水平得到了一個(gè)質(zhì)的飛躍。在此主要對(duì)新的PCNN實(shí)現(xiàn)方法進(jìn)行了分析，并對(duì)其在圖像處理當(dāng)中的具體應(yīng)用進(jìn)行了探討，以期能夠不斷提升圖像處理水平。

PCNN；圖像處理；應(yīng)用研究

PCNN是不同于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的一種新型神經(jīng)網(wǎng)絡(luò)模型，是根據(jù)動(dòng)物大腦皮層上的脈沖振蕩提出的一種生物神經(jīng)模型，這種模型已經(jīng)廣泛應(yīng)用在圖像處理或識(shí)別當(dāng)中，其所應(yīng)用的優(yōu)勢(shì)也非常明顯，也正在逐漸成為圖像處理中的應(yīng)用翹楚，且隨著PCNN新的實(shí)現(xiàn)方法的出現(xiàn)，其在圖像處理當(dāng)中的應(yīng)用也更加得到重視[1]。

1 新的PCNN實(shí)現(xiàn)方法

PCNN全稱為脈沖耦合神經(jīng)網(wǎng)絡(luò)，是一種新型的神經(jīng)網(wǎng)絡(luò)模型，屬于單層二位脈沖耦合神經(jīng)元陣列，將每個(gè)神經(jīng)元對(duì)應(yīng)圖像當(dāng)中的一個(gè)像素，就可以對(duì)圖像進(jìn)行處理。這種模型在圖像處理當(dāng)中的表現(xiàn)比較出色，且隨著PCNN技術(shù)的不斷發(fā)展，其在圖像處理中所占有的地位也是越來(lái)越突出，在這里筆者主要是提出了新的PCNN實(shí)現(xiàn)方法，也對(duì)其在圖像處理當(dāng)中的應(yīng)用結(jié)合進(jìn)行了討論。這里所提到的新的實(shí)現(xiàn)方法主要是快速算法實(shí)現(xiàn)，主要表現(xiàn)在兩點(diǎn)上：一是簡(jiǎn)化模型。相對(duì)于傳統(tǒng)的PCNN模型，新的實(shí)現(xiàn)方法當(dāng)中對(duì)內(nèi)部行為計(jì)算進(jìn)行了較大簡(jiǎn)化，包括閾值產(chǎn)生方式進(jìn)行簡(jiǎn)化，通過(guò)查找表的方式來(lái)獲取閾值，減少中間的計(jì)算過(guò)程，并且對(duì)網(wǎng)絡(luò)運(yùn)行機(jī)制進(jìn)行進(jìn)一步優(yōu)化，優(yōu)化后的模型當(dāng)中神經(jīng)元只能點(diǎn)火一次，之后該神經(jīng)元不再進(jìn)行點(diǎn)火，這樣能夠極大簡(jiǎn)化傳統(tǒng)的PCNN模型；二是新的整數(shù)運(yùn)算[2]。PCNN模型操作主要是通過(guò)內(nèi)部行為和閾值兩者比較來(lái)實(shí)現(xiàn)的，其中內(nèi)部行為中的小數(shù)則是通過(guò)連接幅值系數(shù)、連接系數(shù)和連接權(quán)來(lái)引入，這就會(huì)使得內(nèi)部行為小數(shù)位數(shù)至少是在4位左右的。這時(shí)，新的實(shí)現(xiàn)方法當(dāng)中，將每個(gè)系數(shù)乘以一個(gè)比較大的常數(shù)，比如乘以10000，就可以將原來(lái)至少四位的小數(shù)轉(zhuǎn)化成整數(shù)[3]。相對(duì)應(yīng)的查找閾值表時(shí)也同樣乘以預(yù)定的常數(shù)，將閾值也轉(zhuǎn)化成整數(shù)，這樣就可以進(jìn)行整數(shù)計(jì)算，整數(shù)計(jì)算的結(jié)果更加明了、簡(jiǎn)單，也能夠?qū)?fù)雜的小數(shù)計(jì)算進(jìn)行簡(jiǎn)化。而且在網(wǎng)絡(luò)運(yùn)行前就將乘以常數(shù)這一步驟輸入到相應(yīng)的計(jì)算步驟當(dāng)中，這樣就不會(huì)影響網(wǎng)絡(luò)運(yùn)行效率，不用擔(dān)心整數(shù)的轉(zhuǎn)換給神經(jīng)網(wǎng)絡(luò)模型的計(jì)算效率帶來(lái)影響。然后，在計(jì)算公式時(shí)同樣將原來(lái)的常數(shù)1改成之后確定的常數(shù)，比如10000，這樣就能夠?qū)崿F(xiàn)整個(gè)PCNN模型當(dāng)中的整數(shù)計(jì)算，有效提升PCNN運(yùn)算的執(zhí)行效率[4]。

2 PCNN在圖像處理當(dāng)中的應(yīng)用

2.1 圖像增強(qiáng)

PCNN在圖像處理中的應(yīng)用首先表現(xiàn)在圖像增強(qiáng)方面，在應(yīng)用上先是通過(guò)用PCNN來(lái)獲取時(shí)間索引圖，并且對(duì)時(shí)間索引圖灰度級(jí)進(jìn)行規(guī)格化處理，保證灰度技術(shù)和原來(lái)的輸入圖像是一致的，然后利用公式對(duì)細(xì)節(jié)增強(qiáng)圖像進(jìn)行計(jì)算，將計(jì)算出來(lái)的細(xì)節(jié)增強(qiáng)圖像同樣進(jìn)行灰度級(jí)規(guī)格化處理，這樣就可以利用常數(shù)來(lái)增強(qiáng)細(xì)節(jié)部分的增強(qiáng)程度，通常這個(gè)常數(shù)設(shè)置為0.5。在整體視覺(jué)增強(qiáng)方法上，應(yīng)用方法和細(xì)節(jié)增強(qiáng)方法基本是一致的，只是在計(jì)算公式上有所差異[5]。

2.2 邊緣檢測(cè)

有時(shí)有很多輸入到系統(tǒng)當(dāng)中的圖像會(huì)出現(xiàn)一些細(xì)節(jié)紋理所形成的圖像邊緣，這些邊緣往往是沒(méi)有什么物理意義的，同時(shí)還會(huì)對(duì)圖像的后期處理產(chǎn)生一定的干擾，因而需要對(duì)這些邊緣進(jìn)行檢測(cè)并將其處理掉。傳統(tǒng)的圖像處理技術(shù)無(wú)法完成對(duì)邊緣進(jìn)行精確檢測(cè)，而PCNN在圖像處理當(dāng)中的應(yīng)用則能夠在一定條件下有效減少細(xì)節(jié)紋理帶來(lái)的干擾，并對(duì)相應(yīng)邊緣進(jìn)行檢測(cè)[6]。具體的應(yīng)用方法是，首先利用PCNN獲取時(shí)間索引圖，然后同樣對(duì)時(shí)間索引圖進(jìn)行灰度級(jí)規(guī)格化處理，使輸入圖像和時(shí)間索引圖的灰度級(jí)數(shù)相同。然后，用系統(tǒng)中自帶的邊緣檢測(cè)方法在索引圖當(dāng)中對(duì)邊緣進(jìn)行檢測(cè)，由于借助了時(shí)間索引圖的應(yīng)用，對(duì)圖像中的邊緣檢測(cè)也更加精準(zhǔn)，從而能夠有效減少輸入圖像中的細(xì)節(jié)紋理干擾[7]。

2.3 圖像分割

圖像處理當(dāng)中不同區(qū)域的圖像分割是其中的處理難點(diǎn)[8]，基于PCNN的圖像處理系統(tǒng)能夠?qū)Σ煌叶鹊膱D像進(jìn)行一定的圖像分割，其分割原理主要是如果只有兩個(gè)區(qū)域的一幅圖像當(dāng)中，一部分為背景區(qū)，一部分為目標(biāo)區(qū)，那么如果目標(biāo)區(qū)的灰度分布范圍（XRmin，XRmax）和背景區(qū)的灰度分布范圍（XBmin，XBmax）發(fā)生重疊，那么XRmin（1+βLRmin（tR））≥XRmax，XBmax（1+βLBmax（tR））≥XRmax，XBmin（1+βLBmin（tB））≥XBmax這三個(gè)條件同時(shí)成立時(shí)，圖像就可以進(jìn)行完美分割。目前，對(duì)于PCNN在圖像分割中的應(yīng)用是否能夠確定使上述三個(gè)條件同時(shí)成立，并且完成對(duì)圖像的完美分割，當(dāng)前還沒(méi)有確切的定論[9]。

3 結(jié)束語(yǔ)

新型PCNN在圖像處理中的應(yīng)用主要可以表現(xiàn)在圖像去噪、分割和邊緣檢測(cè)等方面上，由于PCNN本身所具備的生物學(xué)背景使得其在圖像處理上有著明顯優(yōu)勢(shì)，應(yīng)用前景也十分廣闊，應(yīng)充分引起相關(guān)的研究人員重視，并且不斷加強(qiáng)對(duì)PCNN理論方面的研究，對(duì)其參數(shù)選取進(jìn)行設(shè)置，從而有效提升PCNN的運(yùn)行效率，保證圖像處理的效果[10]。

[1]王蒙軍，郭林.改進(jìn)內(nèi)部活動(dòng)項(xiàng)的多通道PCNN彩色圖像分割[J].激光與光電子學(xué)進(jìn)展，2015，52（12）：80-86.

[2]金鑫，聶仁燦，周冬明，等.S-PCNN與二維靜態(tài)小波相結(jié)合的遙感圖像融合研究[J].激光與光電子學(xué)進(jìn)展，2015，52（10）：139-144.

[3]夏瀟鸞，鄧紅霞，李海芳.改進(jìn)遍歷過(guò)程的PCNN在圖像處理中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2013，33（10）：2895-2898.

[4]邵曉鵬，鐘宬.一種簡(jiǎn)化PCNN模型在彩色圖像邊緣檢測(cè)上的應(yīng)用[J].西安電子科技大學(xué)學(xué)報(bào)，2012，39（6）：1-9.

[5]羅建.一種改進(jìn)的PCNN模型及在圖像處理中的應(yīng)用[J].西華師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，32（4）：397-401.

[6]石斌.醫(yī)學(xué)圖像分割處理中改進(jìn)型PCNN模型的應(yīng)用綜述[J].甘肅科技，2015（19）：132-133.

[7]羅建，李艷梅.一種改進(jìn)的PCNN模型及在圖像處理中的應(yīng)用[J].西華師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，32（4）：397-401.

[8]張淼，歐幸福，唐雄民，等.PCNN在金屬拉鏈缺陷檢測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2014，50（18）：251-256.

[9]王曉軍，王崴，劉曉衛(wèi)，等.基于圖像復(fù)雜度的PCNN邊緣檢測(cè)新算法[J].彈箭與制導(dǎo)學(xué)報(bào)，2015，35（4）：154-158.

[10]陸玉婧，李海燕，費(fèi)勤水，等.基于簡(jiǎn)化的PCNN在超聲乳腺癌圖像去噪方面的應(yīng)用[J].生物醫(yī)學(xué)工程研究，2013，32（2）：36.

New PCNN Implementation and Its Application in Image Processing

Zhao Haiyan

Chengdu Neusoft project department，Sichuan Dujiangyan 611844

With the development of computer technology，image processing technology is constantly been improved，it is applied advanced technology is more and more，which PCNN application in image processing，image processing so that the level has been a qualitative leap.This paper focuses on the new PCNN implementation were analyzed and discussed their specific application in image processing so as to，in order to be able to continuously improve the level of image processing.

PCNN; Image Processing; Application

TP391.41；TP183

A

1009-6434(2016)07-0128-02