基于脉冲神经网络图像特征提取和应用的研究

《基于脉冲神经网络图像特征提取和应用的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号TP391密级公开UDC硕士学位论文基于脉冲神经网络的图像特征提取与应用研究学位申请人：李春林学科专业：计算机应用技术指导教师：徐光柱副教授二○一三年五月ADissertationSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofScienceinEngineeringStudyforImageFeatureExtractionandApplicationBasedonSpikingNeuralNetworkGraduateStudent:LiChunlinMajor:Comput

2、erAppliedTechnologySupervisor:Prof.XuGuangzhuChinaThreeGorgesUniversityYichang,443002,P.R.ChinaMay,2013三峡大学硕士学位论文三峡大学学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果，除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明，本人完全意识到本声明的法律后果由本人承担。学位论文作者签名：日期：I三峡大学硕士学位论文内容摘要

3、人工神经网络从诞生至今经过了六十多年的演变，相对于传统神经网络，第三代人工网络脉冲神经网络（SpikingNeuralNetwork，SNN）更好地模仿了生物神经元的工作原理。SNN中的脉冲耦合神经网络(PulseCoupledNeuralNetwork，PCNN)对图像的处理获取的特征序列具有很好的尺度不变性、旋转不变性、信号强度不变性和信号扭曲不变性，而交叉皮层神经网络（IntersectingCorticalModelNeuralNetwork，ICMNN）可以看做是PCNN的简化模型，继承了PCNN提取的特征序列的特性。大量的研究表明，PCNN的生物学工作机制决定

4、了它作为图像处理引擎的有效性。论文将探究两种SNN模型：脉冲耦合神经网络和交叉皮层模型神经网络。特征提取是成功进行图像描述、分类、分析等过程中的关键环节。基于认知理论和感知经验，给定一种纹理图像，对该种纹理图像不论进行怎样的变换、旋转、缩放、仿射、甚至是失真处理后获取的图像，从人类观察的角度来说都应该是同一种纹理，对应地，提取到的纹理特征也应该是不变的。因此，不变性纹理特征提取在实际应用和理论分析中都是不可或缺的一部分。论文从纹理特征的提取角度，利用PCNN的特性进行了纹理图像的特征提取和应用研究。首先，论文利用ICMNN对灰度信息不发生变化但像素分布位置发生变化的图像，

5、提取直接及间接的图像结构信息，并将其用于图像置乱算法的性能评价。由于ICMNN的连接调制，可以将图像的结构信息有效地进行耦合，所以，论文通过增大连接强度因子，减小灰度信息来提取图像的结构信息。针对图像像置乱变换的置乱评价问题，对ICMNN的模型进行了改进，通过加入连接强度因子耦合图像的结构信息，削弱灰度信息，从而实现对图像的结构信息的提取，使得置乱评价的结果与视觉评价相一致。由于改进算法是通过间接的方式提取图像的结构信息，为了进一步能够直接提取结构信息，论文采用按位分解图像的方法对图像进行处理，并利用ICMNN实现了直接结构信息的提取。其次，论文研究了灰度信息发生一定变化

6、但具有强结构信息的纹理图像的不变性特征提取。为了减少图像灰度信息变化带来的干扰，论文首先利用局部二值模式（LocalBinaryPattern，LBP）将图像从灰度模式转化成二值结构模式，然后对二值结构模式的图像进行PCNN处理以获取不变性特征序列。通过将LBP和PCNN相结合，提取具有较好平移、旋转、缩放、光照不变性的图像特征序列。利用Brodatz图库进行的实验结果表明，论文提出的基于LBP与PCNN的图像检索提取的特征具有平移、旋转、缩放、光照不变性。II三峡大学硕士学位论文再次，论文针对内容复杂的图像，利用PCNN分解模型对图像进行乘性分解，提取图像在不同细节层次

7、下的图像特征。论文采用PCNN分解模型将图像按照结构层次进行分解，将原图像中的内容分解到不同的图像中，以根据需求获取图像中不同的内容。通过对PCNN的分解模型进行改进，降低了PCNN分解模型的复杂度，增强了该模型的鲁棒性，同时，将改进后的模型用于图像阴影去除和图像增强，实验结果表明，改进后的PCNN分解模型能够较好地实现图像阴影去除和图像增强。关键字：脉冲神经网络LBP置乱评价图像检索图像增强III三峡大学硕士学位论文AbstractIt'sbeen60yearsevolutionsinceartificialneuralne