PCNN原理及其在图像处理中的应用研究

摘 要:脉冲耦合神经网络是依据对猫视觉皮层神经元脉冲串同步振荡现象的研究而发展形成的新型人工神经网络模型。根据脉冲耦合神经网络的原理和模型,分析其特性,研究并总结了它在图像处理中的应用,如图像分割、图像去噪、图像增强、图像融合等。根据脉冲耦合神经网络目前的国内外研究现状,指出今后的研究重点。

关键词:脉冲耦合神经网络; 特性; 图像处理; 同步振荡现象

中图分类号:TP391文献标识码:A

文章编号:1004-373X(2010)08-0097-03

PCNN Principle and Its Application in Image Processing

CHENG Guo-jian, FANG Hua, LU Fei-yuan

(School of Computer Science, Xi’an Shiyou University, Xi’an710065, China)

Abstract:The pulse coupled neural network (PCNN) is a new artificial neural network model which was formed and developed according to the phenomenon ofthe cats′ visual cortex neurons burst synchronous oscillation. The characteristics of PCNN are analysed,andits application in image processing field, such as image segmentation, image denoising, image enhancement, image fusion and so on is studied according to the principle and model of PCNN, Based on the current research situation of PCNN, the research focus is proposed.

Keywords:pulse coupled neural network; characteristic; image processing; synchronous oscillation

0 引 言

脉冲耦合神经网络模型(Pulse Coupled Neural Networks, PCNN)是一种不同于传统人工神经网络的新型神经网络,有着生物学的背景,是依据猫、猴等动物的大脑视觉皮层上同步脉冲振荡现象提出的[1]。PCNN可广泛地应用于图像处理、图像识别、运动目标识别、通信、决策优化等各方面[2-4]。本文首先引入PCNN的基本模型,并对其特性进行了分析归纳。

由于PCNN在图像处理中所特有的优势,在此综述了它在图像处理中的应用及所做的部分工作,最后展望了它的应用前景。

1 PCNN的基本模型

1990年Eckhorn根据猫的大脑视觉皮层同步脉冲发放现象,提出了展示脉冲发放现象的连接模型。对Eckhorn提出的模型进行了一些修改,得到了PCNN模型[5]。

构成PCNN的单个神经元由树突、非线性连接调制、脉冲产生三部分构成,如图1所示。

树突部分即接收部分用来接收来自其他神经元与外部的输入。一般来说,来自其他神经元的输入是脉冲;来自外部的输入除了脉冲外,还可能包括模拟时变信号或常量信号。接收域将接收到的输入通过两条通道进行传输,一个通道称为F通道,用于接收包含外部输入信号的馈送输入(Feeding Inputs),其运算关系为:

Fij(k)=e-αFFij(k)+Sij+VF\MY(k)\〗ij(1)

另一个则用于接收来自其他神经元的连接输入(Linking Inputs),其运算关系为:

Lij(k)=e-αLLij(k)+VL\WY(k)\〗ij(2)

式(1)、式(2)中:M和W是内部连接矩阵(一般M=W);Y(k)为神经元点火与否的信息;αF和αL分别为Fij(k),Lij(k)的衰减时间常量;VL和VF为连接和馈入常量;Sij为第(i,j)个神经元接受的外部刺激(这里为图像像素构成的矩阵中第(i,j)个像素的灰度值)。在连调制部分馈送输入Fij和连接输入Lij,再经过调制后产生第(i,j)个神经元的内部活动项,其运算关系为:

Uij(k)=Fij(k)\(3)

式中:Uij为神经元的内活动,为连接调制常量。利用连接输入对馈送输入进行调制是PCNN神经元之间进行通信的关键。

神经元的脉冲生成器根据内部活动项Uij的一个阶跃函数产生二值输出,并根据第(i,j)个神经元点火与否的状态自动调整阈值大小。在时间k,如果内部活动项Uij比阈值函数θij大,Yij取值为1,称第(i,j)个神经元点火;否则Yij取值为0,称第(i,j)个神经元未点火。如果第(i,j)个神经元点火,则根据Vθ对阈值函数按照下面两式进行调整:

θij(k)=e-αθθij(k-1)+VθYij(k-1)(4)

Yij(k)=step(Uij-θij)=1,Uij(k)>θij(k)

0,otherwise(5)

式中:αθ为时间衰减常量;Vθ为阈值常量。

图1 标准PCNN神经元模型

2 PCNN的特性

与传统的反馈型神经网络相比,脉冲耦合神经网络从神经元本身的构成上就具有鲜明的特色,即变阈值、内部行为的乘积耦合、分支树的漏电容积分加权求和等,从而使得PCNN具备以下的特性:

(1) 动态脉冲发放特性。PCNN动态神经元的变阈值特性是其动态脉冲发放的根源,如果将有输入信号与突触通道脉冲相应函数的乘积所产生的信号设为该神经元的(内部)作用信号,则当作用信号超过阈值时,该神经元被激活而产生高电平输出,又由于阈值受神经元输出的控制,导致该神经元输出的高电平又反过来提升阈值,从而使作用信号变得低于阈值,神经元又立即恢复为原来的抑制状态。这一过程在神经元输出端明显地形成了一个脉冲发放,也称为神经元的点火,其中变阈值特性导致神经元被抑制或激活,而硬限幅函数则实现神经元输出端脉冲的产生,它们相互作用的结果是使神经元输出发放脉冲,而发放脉冲的频率和相位则与神经元输入有关,故神经元输出可视为是对输入信号进行某种频率调制或相位调制,从而携带了输入信号的某种特征,这种特征对于进行图像处理十分有用。

(2) 同步脉冲发放特性。如果PCNN采用这样的结构,每个神经元有一个输入(对应于图像中一个像素的灰度值),并与邻近神经元的输出有连接,则从神经元的角度讲,对应于亮像素的神经元可以比对应于暗像素的神经元更快地点火;从PCNN的角度讲,当一个神经元点火时,它会将其输出送至与其相邻神经元的输入上,从而引起邻近神经元先于自然点火时刻而提前点火,这样就导致在图像的一个大的区域上产生同步振荡,因此PCNN具有一个非常重要的性质:以相似性集群产生同步脉冲发放,这一性质的运用对于进行图像分割有非常重要的意义。

(3) 波的形成与传播。与同步脉冲发放特性相伴生的是网络中传输波的形成和传播特性。如果一个神经元在点火后能在一个时间段内得到抑制,而这段时间内该神经元的点火通过链接使得相邻神经元被激活而点火(这里称这一特性为捕获)。如果这一过程不断地进行下去,则这个神经元的点火所产生的输出振动将被不断地扩散和传播开来,从而形成网络中以最先点火神经元为波动中心的振动波传播。PCNN的这一性质对于求解最短路问题、TPS问题以及其他决策优化问题具有非常好的应用前景。

概括起来,PCNN的基本特性有变阈值特性、非线性调制特性、同步脉冲发放现象、捕获特性、动态脉冲发放现象、自动波特性和综合时空特性。静态特性有同步脉冲发放现象和捕获特性。动态特性有动态脉冲发放现象和自动波特性。全面分析静态特性与动态特性可以得到PCNN的综合时空特性。

3 PCNN在图像处理中的应用

PCNN用于图像处理时,为一单层二维的局部连接网络,且所有神经元的参数完全一样。神经元的个数等于输入图像中像素点的个数,神经元与像素点一一对应。每个像素点的亮度输入到对应神经元的馈送域,使得每个神经元的馈送域信号等于其对应像素点的亮度值;同时,每个神经元与其邻域内的神经元通过链接域相连,链接域信号由其邻域内神经元的输出脉冲产生,因此网络中神经元是通过链接域相互影响的。每个神经元的输出只有两种状态,即激发态(又称点火)或者抑制态(又称不点火)。在图像处理时,大多数情况下,取邻域的大小为3×3。

根据PCNN的基本模型,得到PCNN中神经元的点火频率fij为[6]:

fij=αEln(1+VE/Uij)(6)

由式(6)可得出,神经元对应像素点的亮度值越大,则该神经元点火的频率越高,开始时的发放脉冲也越早。同时,通过动态连接项U的非线性相乘调制特性(见式(3)),使得邻域中满足一定条件的原先未点火的神经元也发放出脉冲,从而使得脉冲在整个网络中传播开,这就是PCNN的脉冲传播特性。将PCNN用于图像处理时,虽然针对不同的图像处理问题,具体的算法有所区别,但这些算法都用到了PCNN的脉冲传播特性。

下面分别介绍PCNN在图像去噪、图像分割、图像增强、图像融合等方面的应用及其在这些方面所做的工作:

(1) PCNN图像去噪。

应用PCNN进行图像去噪可通过调整像素点的亮度来完成。大多数情况下,被噪声污染的像素点亮度值与周围的像素点亮度值存在着明显不同,相关性弱。因此,大多数被噪声污染的像素点输出不同于周围像素点输出。用PCNN进行图像去噪时,根据每个神经元与其邻近神经元是否激发输出脉冲串,可判断和区分噪声或像素灰度值,从而采取相应措施,这也可采用逐步修改灰度值的方法予以实现。具体来说就是:如果一个神经元点火而大多数邻近的神经元不点火,则应减小其对应像素点的亮度;如果一个神经元不点火而大多数邻近的神经元点火,则应增加其对应像素点的亮度;其他情况下,不改变像素点的亮度。这样,不断调整其对应的像素点亮度值,可获得减少噪声,恢复图像的目的。在此方面,目前的研究主要集中在对脉冲噪声和高斯噪声的抑制方面。

(2) PCNN应用于图像分割。

如果从灰度值来解释图像分割,那么分割就是从复杂背景中分离出感兴趣目标的相似灰度值像素过程。用PCNN进行图像分割时,亮度值大的像素点对应的神经元先点火,先发放脉冲,通过脉冲的传播,使得对应像素点亮度值相似且空间位置相邻的神经元发放出同步脉冲。这样,相似的多个神经元对应着图像中相同的区域,这就是利用PCNN脉冲传播特性实现图像分割的机理。鉴于PCNN直接来自于哺乳动物视觉特性良好研究成果,基于PCNN的图像分割完全依赖于图像的自然属性,不用预先选择处理空间范围,与其他方法相比,这是一种结合视觉特性的具有重要发展前景的更自然的图像分析方法。

基于PCNN的图像分割效果取决于PCNN中各参数的选择。然而,图像分割时,各种不同图像对应的PCNN参数是不同的,对PCNN参数的选择非常困难,大多用人工交互方式获得。这里对标准的PCNN模型进行了改进,并用最大熵准则确定迭代次数,进行图像分割。

图2为原始的256级Lena图像,图3是图2基于改进型PCNN和最大熵准则的图像分割结果。

(3) PCNN用于图像的边缘检测。

PCNN进行图像边缘检测的基本思想是,通过设计不同的捕获权和抑制权,使先点火的神经元对邻域中的边缘像素(即那些在灰度值上与已点火神经元对应象素相差较大的)对应神经元呈现出明显的抑制作用,而对非边缘像素(即那些在灰度值上与已点火神经元对应像素相差较小的)对应神经元则呈现出明显的捕获作用;这样,非边缘像素对应神经元将自然点火或被捕获点火,而边缘像素对应神经元将被得到抑制从而不被点火。对图像边缘像素的判定遵循这样的原则,即仅当神经元本该发生自然点火却因受到邻域点火神经元的抑制而不能点火时,则判定该神经元为边缘像素对应神经元。

图2 原始的256级Lena图像

图3 基于改进型PCNN和最大熵准则的图像分割结果

(4) PCNN用于图像融合。

由于图像融合技术是多传感器图像融合或多源图像融合。一般来说,融合后的图像比原图像信息量更大,细节更丰富,轮廓更清晰,更能精确描述目标,同时融合图像包含了原图像更多的冗余信息和互补信息。PCNN模型所独有的神经元捕获特性——某神经元点火会造成与该神经元亮度相近的邻近神经元捕获点火,能够自动实现信息传递和信息耦合。

PCNN很早就被应用到图像融合领域,文献[7]用小波和数学形态学等抽取乳腺目标图像特征,再用PCNN融合检测得乳腺目标,文献[8]研究了一种并行多通道PCNN模型的图像融合算法。实践证明,PCNN能有效进行图像融合。

4 结 语

介绍了一种新型的第三代人工神经网络即脉冲耦合神经网络(PCNN),并对其模型进行了讨论,同时总结了其特性,较具体地介绍了它在图像去噪、图像分割、图像边缘检测等方面的应用。研究发现,PCNN因其生物学背景,使之在图像处理方面有着明显的优势。国外初步的研究表明,PCNN具有广阔的应用前景,但由于PCNN标准模型的复杂性,今后应加强PCNN的理论研究,这是其应用的基础;加强其与其他算法的结合,拓展了PCNN的应用范围;探讨PCNN中参数的选取,从而加快了PCNN的运行效率。

参考文献

[1]ECKHORN H, REITBOECK H J, ARNDT M, et al. Feature linking via synchronization among distributed assemblies: simulation of results from cat cortex [J]. Neural Computation, 1990, 2(3): 293-307.

[2]JOHNSON J L, PADGETT M L. PCNN models and applications[J]. IEEE Trans. on Neural Networks, 1999, 10(3): 480-498.

[3]KUNTIMAD H S, RANGANATH H S. Perfect image segmentation using pulse coupled neural networks[J]. IEEE Trans. on Neural Networks, 1999, 10(3): 591-598.

[4]JCAUFIELD H, KINSER J M. Finding shortest path in the shortest time using PCNN′s[J]. IEEE Trans. on Neural Networks, 1999, 10(3): 604-606.

[5]JOHN J L, RITTER D. Observation of periodic waves in a pulse-coupled neural network[J]. Opt. Lett., 1993, 18(15): 1253-1255.

[6]顾晓东, 余德衡. PCNN的原理及其应用[J]. 电路与系统学报, 2001(3): 45-50.

[7]BROUSSARD R P, ROGERS S K, OXLEY M E, et al. Physiologically motivated image fusion for object detection using a pulse-coupled neural network[J]. IEEE Trans. on Neural Networks, 1999, 10(3): 554-563.

[8]张军英, 梁军利. 基于脉冲耦合神经网络的图像融合[J]. 计算机仿真, 2004, 21(4): 102-105.

推荐访问:图像处理 原理 研究 PCNN