CN105118045A - 一种基于脉冲耦合神经网络的灰度图像边缘检测方法 - Google Patents
一种基于脉冲耦合神经网络的灰度图像边缘检测方法 Download PDFInfo
- Publication number
- CN105118045A CN105118045A CN201510340624.2A CN201510340624A CN105118045A CN 105118045 A CN105118045 A CN 105118045A CN 201510340624 A CN201510340624 A CN 201510340624A CN 105118045 A CN105118045 A CN 105118045A
- Authority
- CN
- China
- Prior art keywords
- neuron
- gray
- input
- neural network
- edge detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Processing Of Color Television Signals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于脉冲耦合神经网络的灰度图像边缘检测方法,其利用脉冲耦合神经网络的脉冲传播及连接特性和灰度图像中边缘处的灰度突变原理实现了对灰度图像的边缘检测,可直接对256色灰度图像中的边缘进行有效检测和提取,克服了其它方法在噪声环境中发生检测到的边缘变宽、断裂等扭曲情况,并且处理速度大大提高,以此为基础实现了的视频识别技术达到国内领先水平。
Description
技术领域
本发明涉及一种灰度图像边缘检测方法,尤其涉及一种基于脉冲耦合神经网络的灰度图像边缘检测方法。
背景技术
现有的边缘检测方法是考察图像各个像素的特定邻域内灰度的变化,根据相应的一阶或二阶方向导数变化规律对边缘进行检测,这类方法大多数使用基于方向导数掩模求卷积的算法来实现。
导数算子具有突出灰度变化的作用,对图像运用导数算子,灰度变化较大的点处算得的值比较高,因此可将这些导数值作为相应点的边界强度,通过设置门限的方法,提取边界点集,一阶导数与是最简单的导数算子,它们分别求出了灰度在x和y方向上的变化率,而方向α上的灰度变化率可以用相应公式进行计算,对于数字图像,应该采用差分运算代替求导,二阶边缘检测方法通过寻找图像灰度值中二阶微分中的过零点来检测边缘点,其原理为灰度级变形成的边缘经过微风算子形成一个单峰函数,峰值位置对应边缘点,对单峰函数进行微分,则峰值处的微分值为0,峰值两侧符号相反,而原先的极值点对应二阶微分中的过零点,通过检测过零点即可将图像的边缘提取出来,但是在实际应用中,由于噪声和模糊的存在,所以导致检测到的边界可能会变宽或在某些点处发生间断。
发明内容
本发明的目的在于提供一种基于脉冲耦合神经网络的灰度图像边缘检测方法,解决了现有的边缘检测方法在实际应用中,由于噪声和模糊的存在,所以导致检测到的边界可能会变宽或在某些点处发生间断的问题。
本发明利用脉冲耦合神经网络的脉冲传播及连接特性和灰度图像中边缘处的灰度突变原理,实现了对灰度图像的边缘检测,利用该方法可直接对256色灰度图像中的边缘进行有效检测和提取,其处理逻辑步骤如下:
首先,构造一单层二维、局部连接的脉冲耦合神经网络,其中神经元的个数等于灰度图像的像素数,神经元与各像素一一对应并连接,同时与相邻的神经元相连接,所构造的模型如下:
Fjk[i]=Sjk+Fjk[i-1]·eαF+VF·(M*Y[i-1])jk
Ljk[i]=Ljk[i-1]·eαL+VL·(K*Y[i-1])jk,
式中K和M是连接权重矩阵,*表示卷积操作,Y为神经元点火与否的信息,αL和αF为时间衰减常量,VL和VF为连接和馈入常量,Sjk为神经元jk接受的外界刺激,在连接调制部分,馈入输入Fjk和连接输入Ljk经过调制后产生神经元jk的内活动Ujk:
Ujk[i]=Fjk[i]·(1+βLjk[i]),
其中β为连接调制常量,神经元的脉冲生成器根据内活动Ujk的一个阶跃函数产生二值输出,并根据神经元jk点火与否的状态自动调整阈值的大小,在时间i如果内活动Ujk比阈值函数θjk大,Yjk取值为1,称神经元jk点火,否则Yjk取值为0,称神经元未点火,如果神经元jk点火,则根据Vθ对阈值函数进行调整:
Θjk[i]=Θjk[i-1]·e-αθ+VΘ·Yjk[i-1],
其中αθ为时间衰减常量,Vθ为阈值常量,
其次,根据如下步骤进行图像的处理:
第一步,将图像像素的灰度作为外部输入从接收馈入输入的树突分支输入相应神经元,并将所有神经元均设置为非点火状态:Y0=1;Θ=δ/2;
第二步,对连接输入进行调制:L=L·eαL+VL·(K*Y0);
第三步,利用馈入输入和连接输入经过调制后产生神经元的内活动:U=F·(1+βL);
第四步,根据阈值设置神经元的点火状态:
第五步,如果F[i,j]的3*3邻域内Y0与Y异或为0且相应的Y不全为0或不全为1,E[i,j]=255;否则E[i,j]=0;
第六步,修正阈值θ:Θ=Θ·e-αθ+VΘ·Y;
第七步,存储第五步得到的点火状态:Y0=Y;
第八步,如果θ小于255,回到第2步,否则下一步;
第九步,得到E,即为边缘检测结果。
本发明的技术效果是:本发明利用脉冲耦合神经网络的脉冲传播及连接特性和灰度图像中边缘处的灰度突变原理实现了对灰度图像的边缘检测,可直接对256色灰度图像中的边缘进行有效检测和提取,克服了其它方法在噪声环境中发生检测到的边缘变宽、断裂等扭曲情况,并且处理速度大大提高,以此为基础实现了的视频识别技术达到国内领先水平。
具体实施方式
下面将结合实施例详细说明本发明所具有的有益效果,旨在帮助阅读者更好地理解本发明的实质,但不能对本发明的实施和保护范围构成任何限定。
首先,构造一单层二维、局部连接的脉冲耦合神经网络,其中神经元的个数等于灰度图像的像素数,神经元与各像素一一对应并连接,同时与相邻的神经元相连接,所构造的模型如下:
Fjk[i]=Sjk+Fjk[i-1]·eαF+VF·(M*Y[i-1])jk
Ljk[i]=Ljk[i-1]·eαL+VL·(K*Y[i-1])jk,
式中K和M是连接权重矩阵,*表示卷积操作,Y为神经元点火与否的信息,αL和αF为时间衰减常量,VL和VF为连接和馈入常量,Sjk为神经元jk接受的外界刺激,在连接调制部分,馈入输入Fjk和连接输入Ljk经过调制后产生神经元jk的内活动Ujk:
Ujk[i]=Fjk[i]·(1+βLjk[i]),
其中β为连接调制常量,神经元的脉冲生成器根据内活动Ujk的一个阶跃函数产生二值输出,并根据神经元jk点火与否的状态自动调整阈值的大小,在时间i如果内活动Ujk比阈值函数θjk大,Yjk取值为1,称神经元jk点火,否则Yjk取值为0,称神经元未点火,如果神经元jk点火,则根据Vθ对阈值函数进行调整:
Θjk[i]=Θjk[i-1]·e-αθ+VΘ·Yjk[i-1],
其中αθ为时间衰减常量,Vθ为阈值常量,
其次,根据如下步骤进行图像的处理:
第一步,将图像像素的灰度作为外部输入从接收馈入输入的树突分支输入相应神经元,并将所有神经元均设置为非点火状态:Y0=1;Θ=δ/2;
第二步,对连接输入进行调制:L=L·eαL+VL·(K*Y0);
第三步,利用馈入输入和连接输入经过调制后产生神经元的内活动:U=F·(1+βL);
第四步,根据阈值设置神经元的点火状态:
第五步,如果F[i,j]的3*3邻域内Y0与Y异或为0且相应的Y不全为0或不全为1,E[i,j]=255;否则E[i,j]=0;
第六步,修正阈值θ:Θ=Θ·e-αθ+VΘ·Y;
第七步,存储第五步得到的点火状态:Y0=Y;
第八步,如果θ小于255,回到第2步,否则下一步;
第九步,得到E,即为边缘检测结果。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (1)
1.一种基于脉冲耦合神经网络的灰度图像边缘检测方法,其特征如下:
首先,构造一单层二维、局部连接的脉冲耦合神经网络,其中神经元的个数等于灰度图像的像素数,神经元与各像素一一对应并连接,同时与相邻的神经元相连接,所构造的模型如下:
Fjk[i]=SjkFjk[i-1]·eαF+VF·(M*Y[i-1])jk
Ljk[i]=Ljk[i-1]·eαL+VL·(K*Y[i-1])jk,
式中K和M是连接权重矩阵,*表示卷积操作,Y为神经元点火与否的信息,αL和αF为时间衰减常量,VL和VF为连接和馈入常量,Sjk为神经元jk接受的外界刺激,在连接调制部分,馈入输入Fjk和连接输入Ljk经过调制后产生神经元jk的内活动Ujk:
Ujk[i]=Fjk[i]·(1+βLjk[i]),
其中β为连接调制常量,神经元的脉冲生成器根据内活动Ujk的一个阶跃函数产生二值输出,并根据神经元jk点火与否的状态自动调整阈值的大小,在时间i如果内活动Ujk比阈值函数θjk大,Yjk取值为1,称神经元jk点火,否则Yjk取值为0,称神经元未点火,如果神经元jk点火,则根据Vθ对阈值函数进行调整:
Θjk[i]=Θjk[i-1]·e-αθ+VΘ·Yjk[i-1],
其中αθ为时间衰减常量,Vθ为阈值常量,
其次,根据如下步骤进行图像的处理:
第一步,将图像像素的灰度作为外部输入从接收馈入输入的树突分支输入相应神经元,并将所有神经元均设置为非点火状态:Y0=1;Θ=δ/2;
第二步,对连接输入进行调制:L=L·eαL+VL·V1*(K*Y0);
第三步,利用馈入输入和连接输入经过调制后产生神经元的内活动:U=F·(1+βL);
第四步,根据阈值设置神经元的点火状态:
第五步,如果F[i,j]的3*3邻域内Y0与Y异或为0且相应的Y不全为0或不全为1,E[i,j]=255;否则E[i,j]=0;
第六步,修正阈值θ:Θ=Θ·e-αθ+VΘ·Y;
第七步,存储第五步得到的点火状态:Y0=Y;
第八步,如果θ小于255,回到第2步,否则下一步;
第九步,得到E,即为边缘检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510340624.2A CN105118045A (zh) | 2015-06-18 | 2015-06-18 | 一种基于脉冲耦合神经网络的灰度图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510340624.2A CN105118045A (zh) | 2015-06-18 | 2015-06-18 | 一种基于脉冲耦合神经网络的灰度图像边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105118045A true CN105118045A (zh) | 2015-12-02 |
Family
ID=54666020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510340624.2A Pending CN105118045A (zh) | 2015-06-18 | 2015-06-18 | 一种基于脉冲耦合神经网络的灰度图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105118045A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001004826A1 (en) * | 1999-07-07 | 2001-01-18 | Renishaw Plc | Neural networks |
CN101546430A (zh) * | 2009-04-30 | 2009-09-30 | 上海大学 | 基于简化型脉冲耦合神经网络的边缘提取方法 |
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
-
2015
- 2015-06-18 CN CN201510340624.2A patent/CN105118045A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001004826A1 (en) * | 1999-07-07 | 2001-01-18 | Renishaw Plc | Neural networks |
CN101546430A (zh) * | 2009-04-30 | 2009-09-30 | 上海大学 | 基于简化型脉冲耦合神经网络的边缘提取方法 |
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
Non-Patent Citations (1)
Title |
---|
杨智勇 等: "基于PCNN的灰度图像边缘检测方法", 《计算机工程与应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103198493B (zh) | 一种基于多特征自适应融合和在线学习的目标跟踪方法 | |
CN103020628B (zh) | 一种基于rgb对比图像与目标形状的烟雾检测方法 | |
Mondal et al. | Automatic number plate recognition using CNN based self synthesized feature learning | |
CN107862668A (zh) | 一种基于gnn的文物图像复原方法 | |
CN104680508A (zh) | 卷积神经网络和基于卷积神经网络的目标物体检测方法 | |
CN104112132B (zh) | 一种枪械编号自动识别方法 | |
CN110348475B (zh) | 一种基于空间变换的对抗样本增强方法和模型 | |
CN104182772A (zh) | 一种基于深度学习的手势识别方法 | |
CN103679677B (zh) | 一种基于模型互更新的双模图像决策级融合跟踪方法 | |
CN103870818B (zh) | 一种烟雾检测方法和装置 | |
CN107871125A (zh) | 违章建筑识别方法、装置及电子设备 | |
CN104463097A (zh) | 基于局部自适应阈值分割算法的高压线图像检测方法 | |
CN103824090B (zh) | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 | |
Cho et al. | Dapas: Denoising autoencoder to prevent adversarial attack in semantic segmentation | |
CN101515326A (zh) | 一种适用于识别和检测大空间火灾火焰的方法 | |
CN109598891A (zh) | 一种利用深度学习分类模型实现烟雾检测的方法和系统 | |
CN107679453A (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
Qian et al. | Spot evasion attacks: Adversarial examples for license plate recognition systems with convolutional neural networks | |
CN103700065A (zh) | 一种特征分类学习的结构稀疏传播图像修复方法 | |
CN102831472A (zh) | 一种基于视频流图像处理的人数统计方法 | |
CN109961416A (zh) | 一种基于形态学梯度多尺度融合的营业执照信息提取方法 | |
Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
CN104182771A (zh) | 基于带丢包自动编码技术的时间序列数据图形化分析方法 | |
CN103824074A (zh) | 一种基于背景减除和纹理特征的人群密度估计方法及系统 | |
CN105118045A (zh) | 一种基于脉冲耦合神经网络的灰度图像边缘检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151202 |