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

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

一种基于脉冲耦合神经网络的灰度图像边缘检测方法

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：

F_jk[i]＝S_jk+F_jk[i-1]·e^αF+V_F·（M*Y[i-1])_jk

L_jk[i]＝L_jk[i-1]·e^αL+V_L·(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，V_L和V_F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：

U_jk[i]＝F_jk[i]·(1+βL_jk[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V_θ对阈值函数进行调整：

$Y_{\mathrm{jk}}\left[i\right]=\left\{\begin{array}{cc}1& \mathrm{if}{U}_{\mathrm{jk}}\left[i\right]>{\mathrm{\Θ}}_{\mathrm{jk}}\left[i\right]\\ 0& \mathrm{otherwise}\end{array}\right.$

Θ_jk[i]＝Θ_jk[i-1]·e^-αθ+V_Θ·Y_jk[i-1]，

其中αθ为时间衰减常量，V_θ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·e^αL+V_L·(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： $Y=\left\{\begin{array}{cc}1& \mathrm{of\; U}>\mathrm{\Θ}\\ 0& \mathrm{otherwise}\end{array}\right.;$

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+V_Θ·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：

F_jk[i]＝S_jk+F_jk[i-1]·e^αF+V_F·(M*Y[i-1])_jk

L_jk[i]＝L_jk[i-1]·e^αL+V_L·(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，V_L和V_F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：

U_jk[i]＝F_jk[i]·(1+βL_jk[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V_θ对阈值函数进行调整：

$Y_{\mathrm{jk}}\left[i\right]=\left\{\begin{array}{cc}1& \mathrm{if}{U}_{\mathrm{jk}}\left[i\right]>{\mathrm{\Θ}}_{\mathrm{jk}}\left[i\right]\\ 0& \mathrm{otherwise}\end{array}\right.$

Θ_jk[i]＝Θ_jk[i-1]·e^-αθ+V_Θ·Y_jk[i-1]，

其中αθ为时间衰减常量，V_θ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·e^αL+V_L·(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： $Y=\left\{\begin{array}{cc}1& \mathrm{of\; U}>\mathrm{\Θ}\\ 0& \mathrm{otherwise}\end{array}\right.;$

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+V_Θ·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：

F_jk[i]＝S_jkF_jk[i-1]·e^αF+V_F·(M*Y[i-1])_jk

L_jk[i]＝L_jk[i-1]·e^αL+V_L·(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，V_L和V_F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：

U_jk[i]＝F_jk[i]·(1+βL_jk[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V_θ对阈值函数进行调整：

$Y_{\mathrm{jk}}\left[i\right]=\left\{\begin{array}{c}\begin{array}{ccc}1& \mathrm{if}& U_{\mathrm{jk}}\left[i\right]>{\mathrm{\Θ}}_{\mathrm{jk}}\left[i\right]\end{array}\\ \begin{array}{cc}0& \mathrm{otherwise}\end{array}\end{array}\right.$

Θ_jk[i]＝Θ_jk[i-1]·e^-αθ+V_Θ·Y_jk[i-1]，

其中αθ为时间衰减常量，V_θ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·e^αL+V_L·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： $Y=\left\{\begin{array}{c}\begin{array}{ccc}1& \mathrm{of}& U>\mathrm{\Θ}\end{array}\\ \begin{array}{cc}0& \mathrm{otherwise}\end{array}\end{array}\right.;$

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+V_Θ·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。