基于脉冲耦合神经网络的图像处理

《基于脉冲耦合神经网络的图像处理》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、硕士学位论文ＩＩ修基于脉冲耦合神经网络的图像处理作者姓名魏磊学校导师姓名、职称冯大政教授企业导师姓名、职称李晓明高工９申请学位类别工程硕士学号1502121238学校代码10701密级公开分类号TP391西安电子科技大学硕士学位论文基于脉冲耦合神经网络的图像处理作者姓名：魏磊领域：电子与通信工程学位类别：工程硕士学校导师姓名、职称：冯大政教授企业导师姓名、职称：李晓明高工学院：电子工程学院提交日期：2018年6月ImageProcessingBasedonPulseCoupledNeuralNetworkAthesissubmittedtoXIDIAN

2、UNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinElectronicsandCommunicationsEngineeringByWeiLeiSupervisor:FengDazhengTitle:ProfessorSupervisor:LiXiaomingTitle:SeniorEngineerJune2018摘要摘要脉冲耦合神经网络是根据哺乳动物视觉皮层的信息处理机制构建的一种人工神经网络，也被称作“第三代神经网络”，以其独有的脉冲同步发放特性以及捕获性被广泛地应用于图像处理领域。但是，

3、传统脉冲耦合神经网络结构复杂，参数众多，而且这些参数往往需要人工设置或者依靠经验计算公式，使得模型性能很不稳定，已经越来越无法达到人们所需要的图像处理效果。本文结合生物神经元的信息处理机制，在传统脉冲耦合神经网络的基础上，提出了一种改进模型。这种模型在继承了传统模型所具有的同步脉冲发放以及捕获性等特性的基础上，加入了Hebb法则，使其更加接近真实生物神经元的特征。将其应用于图像分割、图像检索以及人脸识别等图像处理问题中，取得了较好的效果。具体进行了以下三个方面的研究：1.针对传统脉冲耦合神经网络结构复杂、参数众多的问题，本文提出了一种改进模型，去除了传统模型反馈输入域和耦合链接域

4、中的自反馈输入部分，只保留了耦合链接域的链接通道，并将阈值函数变为单调的指数衰减形式。在精简模型参数的基础上，引入了与真实生物神经元机制更加相似的Hebb法则，从而对权重矩阵和外部激励更新方式进行改进。根据其在图像分割和人脸识别方面的实验效果，证明了改进模型在这些领域具有较好的效果。2.针对具体的图像分割任务，通过Otsu算法初始化阈值，并作为迭代终止条件，使改进模型可以自动判别得到最佳分割结果。针对图像输入前以及输出后可能出现的孤立噪声点或者灰度值，提出了一种单步迭代的优化模型，使边缘更加清晰，在一定程度上提高了图像分割质量。实验结果表明，相比传统模型和Otsu算法，改进模型具

5、有较好的分割效果。3.本文通过实验证明了基于改进模型的时间序列具有一定程度的旋转、扭曲不变性，从而可以用来提取图像特征。因此，改进模型可以应用于图像检索问题中。针对相同物体图像检索问题，采用基于k近邻的检索方法，通过仿真实验证明其具有较高的检索率。针对相同类别图像检索问题，文中以人脸识别为例，提出了基于k近邻和集成学习相结合的识别方法，通过实验证明其在人脸识别中具有较高的识别率。关键词：脉冲耦合神经网络，Hebb法则，图像分割，图像检索，人脸识别IABSTRACTABSTRACTPulseCoupledNeuralNetwork(PCNN),calledthethirdgener

6、ationartificialneuralnetwork,isderivedfromtheresearchontheinformationprocessingmechanismofmammalvisualcortex.Ithasbeenwidelyappliedtothefieldofimageprocessingwithitsfeaturesofneuronsynchronousburstandcapture.However,thetraditionalPCNNhasacomplexstructureandtoomanyparameters.What’sworse,thesep

7、arametersoftenneedtobemanuallysetorrelyonempiricalformulas.Thisoftenmakesthemodelperformanceunstable.Thus,itisalwayshardtoachievetheimageprocessingeffectthatpeopleneed.Basedontheinformationprocessingmechanismofbiologicalneurons,amodifiedmodel