CN108876797B - 一种基于Spiking-SOM神经网络聚类的图像分割系统及方法 - Google Patents
一种基于Spiking-SOM神经网络聚类的图像分割系统及方法 Download PDFInfo
- Publication number
- CN108876797B CN108876797B CN201810587530.9A CN201810587530A CN108876797B CN 108876797 B CN108876797 B CN 108876797B CN 201810587530 A CN201810587530 A CN 201810587530A CN 108876797 B CN108876797 B CN 108876797B
- Authority
- CN
- China
- Prior art keywords
- neuron
- image
- network
- pixel
- super
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种基于Spiking‑SOM神经网络聚类的图像分割系统及方法,首先采取中值滤波方法对目标图像进行去噪;然后利用SLIC算法把目标图像分割成K个超像素作为特征提取窗口,计算超像素内的所有像素的RGB平均值作为超像素的颜色特征;进而选择K个IF神经元构建Spiking‑SOM神经网络,基于计算超像素之间颜色特征的距离来构建网络的初始权值矩阵,并采用Hebbian规则训练网络,网络训练结束后,根据神经元放电的同步与异步进行聚类;最后计算同类的超像素的RGB平均值,并用其代替原来的超像素RGB值,重置图像矩阵后,得到图像分割结果。本发明综合了分割速度和分割精度优势,能够对自然场景中的彩色图像进行有效分割,具有一定的潜在应用价值和先进性。
Description
技术领域
本发明属于图像分割领域,具体涉及一种基于Spiking-SOM神经网络聚类的图像分割系统及方法。
背景技术
图像分割是图像分析、图像理解和计算机视觉的基础,是图像处理中的难点。越来越多的研究者将Spiking神经网络应用于图像分割中,取得了丰硕的成果,Spiking神经网络在图像分割中有不少应用方法实践,但存在分割速度不理想缺陷。
发明内容
本发明的目的在于提供一种基于Spiking-SOM神经网络聚类的图像分割系统及方法,以克服上述现有技术存在的缺陷,本发明将超像素分割与Spiking神经网络相结合,能够对自然场景下的彩色图像进行有效分割,有助于改善分割效率和精度,本发明方法具有一定的潜在应用价值和先进性。
为达到上述目的,本发明采用如下技术方案:
一种基于Spiking-SOM(Spiking-Self Organizing Feature Map)神经网络聚类的图像分割系统,包括:目标图像输入模块,获取目标图像的RGB颜色空间值;图像预处理模块,采用中值滤波方法对原始目标图像进行图像去噪;超像素计算模块,通过SLIC算法(Simple Linear Iterative Clustering)把预处理后图像分割成K个紧凑、近似均衡的不规则图像块(超像素)作为特征提取窗口,然后计算超像素内所有像素的RGB平均值作为超像素的颜色特征;Spiking-SOM神经网络超像素聚类模块,选择K个IF(Integrate-and-Fire)神经元构建Spiking-SOM神经网络,基于计算超像素之间颜色特征的距离来构建网络的初始权值矩阵,并采用Hebbian规则训练网络,网络训练结束后,根据神经元放电的同步与异步进行聚类;图像分割模块,计算同类的超像素的RGB平均值,并用其代替原来的超像素RGB值,重置图像矩阵后,得到图像分割结果。
进一步地,Spiking-SOM神经网络超像素聚类模块包括:设计网络结构、初始化网络权值矩阵模块,采用K个IF神经元组成Spiking-SOM神经网络,该网络为单层单突触连接的Spiking-SOM神经网络(如附图2),每个神经元代表一个超像素,每个神经元与其Z个最近邻(颜色特征的欧氏距离最近)连接起来。通过计算超像素之间颜色特征的欧氏距离并进行归一化,将超像素的颜色特征映射到神经网络的权值矩阵中,实现网络权值矩阵初始化;搭建IF神经元模型模块,基于K个IF神经元建立积分放电模型;学习规则模块:采用Hebbian规则训练网络,根据停止训练准则时,网络停止训练;图像分割模块,当Spiking-SOM神经网络停止训练后,根据神经元放电的同步与异步进行聚类,同步放电的神经元归为一类,不同步放电的不同类。
一种基于Spiking-SOM神经网络聚类的图像分割方法,其特征在于,包括以下步骤:
步骤1:输入目标图像;
步骤2:采用中值滤波方法进行图像预处理;
步骤3:采用SLIC算法把预处理后图像分割成K个紧凑、并近似均衡的超像素作为特征提取窗口,计算超像素内的所有像素的RGB平均值作为超像素的颜色特征;
步骤4:采用Spiking-SOM神经网络对超像素进行聚类;
步骤5:重置图像矩阵,得到图像分割结果。
进一步地,步骤1中所述的目标图像为彩色图像,读取图像在RGB颜色空间的值。
进一步地,步骤2中对采用中值滤波方法对图像进行去噪,m和m是选取的平滑窗口。
进一步地,步骤3中采用SLIC算法把目标图像分割成K个超像素方法为:
步骤3.1:将图像RGB颜色空间转换为CIELAB颜色空间;
步骤3.3:在种子点的n*n邻域内重新选择种子点,具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果;
步骤3.4:在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心),SLIC的搜索范围限制为bS*bS(b一般为2或者3),可以加速算法收敛;
步骤3.5:距离度量,SLIC算法是利用颜色信息和空间信息来建立分割准则的,像素点描述为x=[l,a,b,x,y],其中[l,a,b]是像素在CIELAB颜色空间的颜色信息,[x,y]是像素点的空间坐标,对于每个搜索到的像素点,分别计算它和该种子点的距离。像素到种子点的颜色信息欧式距离为:
式中xi,l,a,b为像素点i在CIELAB颜色空间的值,xj,l,a,b为种子点j在CIELAB颜色空间的值
像素到种子点的空间欧式距离为:
像素到种子点的距离为:
dist=dlab+λ*dxy
式中,dlab是像素点到种子点的颜色距离,dxy是像素点到种子点的空间距离,λ是空间位置距离的权。当λ越大时,空间信息在分割超像素时占的比重就越大,超像素形状就越趋于矩形,超像素的平均面积也就越均衡;
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心;
步骤3.6:迭代优化,整幅图像扫描一遍之后,每个像素点都对应一个类标签,相同类标签的像素属于同一个类。对上一次划分的每一个类,求出每一个类的[l,a,b,x,y]均值,作为新的种子点,按照上述规则重新标记,当迭代一定次数之后,分类结果基本不发生改变即划分完成,迭代结束。
进一步地,步骤4中采用Spiking-SOM神经网络对超像素图像进行聚类与分割方法为:
步骤4.1:构建Spiking-SOM神经网络。设计网络结构、初始化网络权值矩阵和搭建IF神经元模型;
步骤4.11:设计网络结构、初始化网络权值矩阵。采用K个IF神经元组成Spiking-SOM神经网络,该网络为单层单突触连接的Spiking-SOM神经网络(如附图2),每个神经元代表一个超像素,每个神经元与其Z个最近邻(颜色特征的欧氏距离最近)连接起来。通过计算超像素之间颜色特征的欧氏距离并进行归一化,将超像素的颜色特征映射到神经网络的权值矩阵中,实现网络权值矩阵初始化。超像素颜色特征描述为x=[r,g,b],其中是[r,g,b]是超像素内的所有像素的RGB平均值;
神经元i和神经元j之间的欧氏距离计算为:
对于每一个神经元,确定Z个最近邻(欧氏距离最小),将每个神经元与其Z个最近邻连接起来,神经元i和神经元j之间的初始连接权值wij由归一化函数计算为:
式中dij为神经元i和神经元j之间的欧式距离,d0为初始选定的一个与神经元i与j之间的平均距离成比例的局部参数,计算为:
步骤4.12:搭建IF神经元模型,由K个IF神经元组成Spiking-SOM神经网络,IF神经元模型积分公式为:
式中I为输入电流,其中I=Iext+Iint,Iext为外部输入电流,它是恒定的阶跃函数,Iint为来自所连接的神经元发出的脉冲电流,τm=RC,R是IF神经元模型电阻,C为电容,urest为静态电压;
当IF神经元模型进行精确积分时,在t0时刻,给出一个初始膜电压ui(t0),Ti是神经元i的膜电压从ui(t0)到达阈值所需要的时间,计算为:
式中θ为IF神经元膜电压阈值。
网络中下一个脉冲发生的时间可以被计算为:
Tk=mini{Ti}
式中k指下一个发放脉冲的神经元,mini{Ti}为神经元i的膜电压从ui(t0)到达阈值所需要的时间的最小值,i=1,2...K,K为神经元数量;
然后所有神经元的膜电压将更新为:
式中t'为神经元k发放脉冲的时间,t'=t0+Tk;
如果神经元i的膜电压膜大于阈值θ时,神经元膜电压复位为:
ui(t')=0
如果膜电压小于阈值,则膜电压更新为:
式中F(t')是在神经元i连接的所有在t'时刻发放脉冲的神经元,wij为神经元i和属于F(t')内的神经元j之间的连接权值。
步骤4.2:训练网络,采用Hebbian学习规则进行网络训练,Hebbian学习规则的机制决定了突触之间的权值变化,且该学习规则产生了一种自组织和自放大的机制,通过这种机制可将集群定义为同步放电神经元的集合。为了防止突触连接不受控制的增强,还定义了突触权值的衰减机制,这个机制可以防止弱连接的背景神经元聚类,并支持集群的出现,保持权值的平衡。是通过衰变定律来实现的。这里给出一个同步放电性判据,定义了时间窗τ;
如果两个神经元i和j发放脉冲的时间差小于τ,那就表示两个神经元是同步放电的,且i和j之间的连接权值加倍。同时定义了一个最大突触权值sm,wij=Min(sm,wij),Min(sm,wij)是sm与wij的最小值;
如果时间差大于τ,则神经元之间的连接权值就会衰减,衰减公式如下:
式中Text是动作电位从静息电位0上升到阈值所需要的时间,τ=Text/4,Text可以计算为:
网络初始化之后,根据以上描述的学习规则进行动态调整。当网络模拟停止时,集群中的权值将接近wij=1,孤立的神经元的连接权值则接近于零。因此,同步放电集群就是同步放电的全部神经元集合。而一旦剩下有很少的在0到1之间的连接权值,就可以停止学习训练。在实践中,通过偶然的学习,一些权值量可以从[0→smin]到[smin→1]。而从长远来看,这可能会导致整个网络中产生不必要的连接权值。由此可见,在神经元集群的学习结束后,在单个神经元学习之前,停止学习过程是比较明智的。这可以通过观察突触权值的比率来实现。当rlearn<0.3时,停止训练。rlearn计算为:
rlearn=nlearn/n1
式中rlearn为网络权值矩阵中连接权值为1的数量与连接权值在0到1之间的数量的比例,nlearn为网络权值矩阵中连接权值在0到1之间的数量nlearn={wij|smin<wij<1},n1为网络权值矩阵中连接权值为1的数量n1={wij|wij=1};
步骤4.3:神经元聚类,网络训练结束后,大多数突触的权值要么接近于零,要么接近于1,以此来表示训练中有一个强有力的自组织过程,为了在网络训练终止后识别集群,如果突触的连接权值小于阈值Θ(阈值Θ的选择在[0.6,0.9]之间对结果影响不大),则此连接权值变为0,那么,认为所有突触的连接权值大于或等于阈值Θ也就是连接权值不为0时,认为此突触前后两个神经元同步放电,同步放电的神经元聚为一类,不同步的异类,则所有同步放电的神经元连接起来组成若干集群,如果将集群分别用类别来表示,就完成了神经元聚类,也就是超像素聚类;
进一步地,步骤5中重置图像矩阵,得到图像分割结果,计算同类的超像素的RGB平均值,并用其代替原来的超像素RGB值,重置图像矩阵后,得到图像分割结果。
与现有技术相比,本发明具有以下有益的技术效果:
本发明系统通过设置超像素计算模块,对将去噪后图像分割成K个超像素作为特征提取窗口,然后计算超像素内所有像素的RGB平均值作为超像素的颜色特征,另外通过设置Spiking-SOM神经网络超像素聚类模块对超像素进行聚类,结合了超像素计算、Spiking-SOM神经网络在分割速度和分割精度两方面的综合优势,能够对自然场景下的彩色图像进行有效分割,具有一定的潜在应用价值和先进性。
本发明提供一种基于Spiking-SOM神经网络聚类的图像分割方法,具有超像素计算、Spiking-SOM神经网络图像分割方法在分割速度和分割精度两方面的综合优势。通过SLIC计算超像素来提取特征窗口,有效提高了运算速度和分割准确度;通过Spiking神经网络对超像素进行聚类,根据网络训练停止后神经元放电的同步与异步进行聚类,进而完成图像分割,为Spiking神经网络在图像分割领域的应用具有方法论研究价值和现实意义。
附图说明
图1是本发明的流程示意图;
图2是本发明的Spiking-SOM神经网络结构示意图;
图3是本发明的Spiking-SOM神经网络聚类算法过程示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见图1至图3,一种基于Spiking-SOM神经网络聚类的图像分割系统,包括:目标图像输入模块;图像预处理模块;超像素计算模块;Spiking-SOM神经网络超像素图像聚类与分割模块;图像分割模块。
目标图像输入模块读取目标图像的RGB颜色空间值:读取RGB彩色图像,读取结果直接供后续的图像预处理模块使用;
图像预处理模块将目标图像采用中值滤波方法进行去噪,选取平滑窗口为3*3;
超像素计算模块将去噪后的图像通过SLIC算法分割为K=300个紧凑、并近似均衡的超像素,计算超像素内的所有像素的RGB平均值作为超像素的颜色特征:首先,将图像转换为CIELAB颜色空间;接着,初始化种子点,在图像内均匀的分配K=300个种子点,得到相邻种子点的步长近似为(N为像素总数);另外,在种子点的3*3邻域内重新选择种子点,避免种子点落在梯度较大的轮廓边界上;其次,在每个种子点周围的邻域内为每个像素点分配类标签,SLIC的搜索范围限制为2S*2S;然后,计算像素到种子点的距离,SLIC算法是利用颜色信息和空间信息来建立分割准则的,像素到种子点的距离为:dist=dlab+λ*dxy,dlab是像素点到种子点的颜色距离,dxy是像素点到种子点的空间距离,λ是空间位置距离的权,这里λ=20;最后,迭代优化,整幅图像扫描一遍之后,每个像素点都对应一个类标签,相同类标签的像素属于同一个类。对上一次划分的每一个类,求出每一个类的[l,a,b,x,y]均值,作为新的种子点,按照上述规则重新标记,当分类结果基本不发生改变时迭代结束;
Spiking-SOM神经网络超像素聚类模块对超像素进行聚类,根据网络训练结束后神经元放电的同步与异步进行聚类,进而完成图像分割:首先,设计网络结构、初始化网络权值矩阵模块,采用K=300个IF神经元组成Spiking-SOM神经网络,该网络为单层单突触连接的Spiking-SOM神经网络(如附图2),每个IF神经元代表一个超像素。通过计算两个IF神经元之间的欧氏距离对于每一个神经元,确定Z=7个最近邻(欧氏距离最小),将每个神经元与其Z=7个最近邻连接起来,然后通过公式和计算神经元之间的连接权值,将超像素的颜色特征映射到神经网络的权值矩阵中,实现网络权值矩阵初始化;搭建IF神经元模型模块,将超像素的颜色信息映射到神经网络的权值矩阵中实现网络初始化;接着,搭建IF神经元模块,该网络有K=300个IF神经元,对IF神经元模型进行精确积分,当下一个神经元i膜电压达到阈值θ=16后发放脉冲,将脉冲传递给连接的神经元j,且神经元i膜电位复位为0,没有到达阈值的神经元继续积分;学习规则模块,采用Hebbian规则训练网络,计算训练准则rlearn=nlearn/n1,nlearn={wij|smin<wij<1},n1={wij|wij=1},当rlearn<0.3时网络停止训练,当网络停止训练后,所有突触的连接权值大于或等于阈值Θ=0.8时,认为此突触前后两个神经元同步放电,根据神经元放电的同步与异步进行聚类,同步放电的神经元聚为一类,不同步放电的不同类;
图像分割模块计算同类的超像素的RGB平均值,并用其代替原来的超像素RGB值,重置图像矩阵后,得到图像分割结果。
一种基于Spiking-SOM神经网络聚类的图像分割方法,包括以下步骤:
1)、首先,输入目标图像。读取目标图像在RGB颜色空间的值。
2)、采用中值滤波方法进行图像去噪。选取3*3的平滑窗口。
3)、采用SLIC算法把预处理后图像分割为K=300个紧凑、并近似均衡的超像素。计算超像素内的所有像素的RGB平均值作为超像素的颜色特征。具体地,
3.1、首先,将图像RGB颜色空间转换为CIELAB颜色空间。
3.3、在种子点的3*3邻域内重新选择种子点。计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方。目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果。
3.4、在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心),SLIC的搜索范围限制为2S*2S,可以加速算法收敛。
3.5、像素到种子点的距离计算。SLIC算法是利用颜色信息和空间信息来建立分割准则的,像素点描述为x=[l,a,b,x,y],其中[l,a,b]是像素在CIELAB颜色空间的颜色信息,[x,y]是像素点的空间坐标,对于每个搜索到的像素点,分别计算它和该种子点的距离。像素到种子点的颜色信息欧式距离为:
式中xi,l,a,b为像素点i在CIELAB颜色空间的值,xj,l,a,b为种子点j在CIELAB颜色空间的值;
像素到种子点的空间欧式距离为:
像素到种子点的距离为:
dist=dlab+λ*dxy
式中,dlab是像素点到种子点的颜色距离,dxy是像素点到种子点的空间距离,λ是空间位置距离的权。
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心。
3.6、迭代优化。整幅图像扫描一遍之后,每个像素点都对应一个类标签,相同类标签的像素属于同一个类。对上一次划分的每一个类,求出每一个类的[l,a,b,x,y]均值,作为新的种子点,按照上述规则重新标记,当迭代一定次数之后,分类结果基本不发生改变即划分完成,迭代结束。
4)、采用Spiking-SOM神经网络对超像素进行聚类。聚类过程如图3所示,依次通过设计网络结构、初始化网络权值矩阵模块、搭建IF神经元模块、学习规则模块和神经元聚类模块等4个子模块。
4.1、设计网络结构、初始化网络权值矩阵模块。采用K=300个Spike神经元组成Spiking-SOM神经网络,该网络为单层单突触连接的Spiking-SOM神经网络(如附图2),每个神经元代表一个超像素,每个神经元与其Z=7个最近邻(颜色特征的欧氏距离最近)连接起来。通过计算超像素之间颜色特征的欧氏距离并进行归一化,将超像素的颜色特征映射到神经网络的权值矩阵中,实现网络权值矩阵初始化。超像素颜色特征描述为x=[r,g,b],其中是[r,g,b]是超像素内的所有像素的RGB平均值;
神经元i和神经元j之间的欧氏距离计算为:
对于每一个神经元,确定Z=7个最近邻(欧氏距离最小),将每个神经元与其Z=7个最近邻连接起来,神经元i和神经元j之间的初始连接权值wij计算为:
式中d0为初始选定的一个与神经元i与j之间的平均距离成比例的局部参数,计算为:
4.2、搭建IF神经元模型模块。由K个IF神经元组成Spiking-SOM神经网络,IF神经元模型积分公式为:
式中I为输入电流,其中I=Iext+Iint,Iext为外部输入电流,Iext=25,Iint为来自所连接的神经元发出的脉冲电流,τm=RC,urest=0,θ=16,RC=8,R=1;
当IF神经元模型进行精确积分时,在t0时刻,给出一个初始膜电压ui(t0),Ti是神经元i的膜电压从ui(t0)到达阈值所需要的时间,计算为:
式中θ为IF神经元膜电压阈值θ=16;
网络中下一个脉冲发生的时间可以被计算为:
Tk=mini{Ti}
式中k指下一个发放脉冲的神经元,mini{Ti}为神经元i的膜电压从ui(t0)到达阈值所需要的时间的最小值,i=1,2...K,K为神经元数量;
然后所有神经元的膜电压将更新为:
式中t'为神经元k发放脉冲的时间,t'=t0+Tk;
如果神经元i的膜电压膜大于阈值θ时,神经元膜电压复位为:
ui(t')=0
如果膜电压小于阈值,则膜电压更新为:
式中F(t')是在神经元i连接的所有在t'时刻发放脉冲的神经元,wij为神经元i和属于F(t')内的神经元j之间的连接权值。
4.3、学习规则模块。采用Hebbian学习规则进行网络训练,Hebbian学习规则的机制决定了突触之间的权值变化,且该学习规则产生了一种自组织和自放大的机制,通过这种机制可将集群定义为同步放电神经元的集合。为了防止突触连接不受控制的增强,还定义了突触权值的衰减机制,这个机制可以防止弱连接的背景神经元聚类,并支持集群的出现,保持权值的平衡,是通过衰变定律来实现的。这里给出一个同步放电性判据,定义了时间窗τ;
如果两个神经元i和j发放脉冲的时间差小于τ,那就表示两个神经元是同步放电的,且i和j之间的连接权值加倍。同时定义了一个最大突触权值sm=1,wij=Min(sm,wij),Min(sm,wij)是sm与wij的最小值;
如果时间差大于τ,则神经元之间的连接权值就会衰减,衰减公式如下:
式中Text是动作电位从静息电位0上升到阈值所需要的时间,τ=Text/4,Text可以计算为:
网络初始化之后,根据以上描述的学习规则进行动态调整。当网络模拟停止时,集群中的权值将接近wij=1,孤立的神经元的连接权值则接近于零。因此,同步放电集群就是同步放电的所有神经元集合。而一旦剩下有很少的在0到1之间的连接权值,就可以停止学习训练。在实践中,通过偶然的学习,一些权值可以从[0→smin]到[smin→1],smin是网络权值矩阵中的最小值。而从长远来看,这可能会导致整个网络中产生不必要的连接权值。由此可见,在神经元集群的学习结束后,在单个神经元学习之前,停止学习过程是比较明智的。这可以通过观察突触权值的比率来实现。当rlearn<0.3时,停止训练。rlearn计算为:
rlearn=nlearn/n1
式中rlearn为网络权值矩阵中连接权值为1的数量与连接权值在0到1之间的数量的比例,nlearn为网络权值矩阵中连接权值在0到1之间的数量nlearn={wij|smin<wij<1},n1为网络权值矩阵中连接权值为1的数量n1={wij|wij=1};
步骤4.4:神经元聚类模块,网络训练结束后,如果突触的连接权值小于阈值Θ=0.8,则此连接权值变为0,那么,认为所有突触的连接权值大于或等于阈值Θ=0.8也就是连接权值不为0时,认为此突触前后两个神经元同步放电,同步放电的神经元聚为一类,不同步的异类,则所有同步放电的神经元连接起来组成若干集群,如果将集群分别用类别来表示,就完成了神经元聚类,也就是超像素聚类;
5)、重置图像矩阵,得到图像分割结果。计算同类的超像素的RGB平均值,并用其代替原来的超像素RGB值,重置图像矩阵后,得到图像分割结果。
下面结合实例对本发明做进一步详细说明:
一种基于Spiking-SOM神经网络聚类的图像分割方法,如图1所示,包括以下步骤:
1)、首先,输入目标图像。目标图像输入模块读取像素500×300的彩色图像,获得图像RGB颜色空间值。
2)、采用中值滤波方法进行图像去噪。选取平滑窗口为3*3。
3)、采用SLIC算法把预处理后图像分割成K=300个高质量、连续并近似均衡的超像素,计算超像素内的所有像素的RGB平均值作为超像素的颜色特征。首先,初始化K=300个均匀分布的种子点;在3*3邻域内重新选择种子点;对每个种子点2S×2S范围内为每个像素分配类标签;计算像素到种子点的距离dist=dlab+λ*dxy,λ=20;迭代优化,整幅图像扫描一遍之后,每个像素点都对应一个类标签,相同类标签的像素属于同一个类。对上一次划分的每一个类,求出每一个类的[l,a,b,x,y]均值,作为新的种子点,按照上述规则重新标记,当分类结果基本不改变时迭代结束。
4)、采用Spiking-SOM神经网络对超像素进行聚类。首先,设计网络结构、初始化网络权值矩阵模块,采用K=300个IF神经元组成Spiking-SOM神经网络,该网络为单层单突触连接的Spiking-SOM神经网络(如附图2),每个IF神经元代表一个超像素。通过计算两个IF神经元之间的欧氏距离对于每一个神经元,确定Z=7个最近邻(欧氏距离最小),将每个神经元与其Z=7个最近邻连接起来,然后通过公式和计算神经元之间的连接权值,将超像素的颜色特征映射到神经网络的权值矩阵中,实现网络权值矩阵初始化;搭建IF神经元模型模块,将超像素的颜色信息映射到神经网络的权值矩阵中实现网络初始化;接着,搭建IF神经元模块,该网络有K=300个IF神经元,对IF神经元模型进行精确积分,当下一个神经元i膜电压达到阈值θ=16后发放脉冲,将脉冲传递给连接的神经元j,且神经元i膜电位复位为0,没有到达阈值的神经元继续积分;学习规则模块,采用Hebbian规则训练网络,计算训练准则rlearn=nlearn/n1,nlearn={wij|smin<wij<1},n1={wij|wij=1},当rlearn<0.3时网络停止训练;神经元聚类模块,当网络停止训练后,所有突触的连接权值大于或等于阈值Θ=0.8时,认为此突触前后两个神经元同步放电,根据神经元放电的同步与异步进行聚类,同步放电的神经元聚为一类,不同步放电的不同类;
5)、重置图像矩阵,得到图像分割结果。将每一类超像素用一种颜色代替,然后重置图像矩阵。
6)、测试评价方法的性能。将实验图像通过图像输入模块读入,依次经过图像预处理、超像素计算、Spiking-SOM神经网络超像素图像聚类与分割等功能模块,得到图像分割结果,采用峰值信噪比PSNR评价方法性能,越大的PSNR值则表明分割失真率越低,代表图像分割效果越好,当PSNR>30时则表明算法的分割效果较为理想。
实施效果
采用100幅500×300的Berkeley Segmentation Dadabase(BSD)Segbench数据库中图像分别进行图像分割。结果表明,对其数据库中自然场景图像进行分割时,峰值信噪比最低为29.76,最高为32.06,平均值为31.12,平均每幅图像分割时间为21.36s。由于采用SLIC算法计算超像素、Spiking-SOM神经网络聚类组合方法,综合了各方法典型优势,该方法能够对其数据库中彩色图像进行有效分割,为Spiking神经网络在图像分割上的应用提供了一种有效的方案。
Claims (4)
1.一种基于Spiking-SOM神经网络聚类的图像分割方法,其特征在于,包括以下步骤:
步骤1:输入目标图像;
步骤2:采用中值滤波方法进行图像预处理;
步骤3:采用SLIC算法把预处理后图像分割成K个紧凑、并近似均衡的超像素作为特征提取窗口,计算超像素内的所有像素的RGB平均值作为当前超像素的颜色特征;
采用SLIC算法把预处理后图像分割成K个超像素方法为:
步骤3.1:将图像由RGB颜色空间转换为CIELAB颜色空间;
步骤3.3:在种子点的n*n邻域内重新选择种子点,具体方法为:计算该邻域内所有像素点的梯度值,将种子点移到该邻域内梯度最小的地方;
步骤3.4:在每个种子点周围的邻域内为每个像素点分配类标签,SLIC的搜索范围限制为bS*bS;
步骤3.5:距离度量,SLIC算法是利用颜色信息和空间信息来建立分割准则的,像素点描述为x=[l,a,b,x,y],其中[l,a,b]是像素在CIELAB颜色空间的颜色信息,[x,y]是像素点的空间坐标,对于每个搜索到的像素点,分别计算它和该种子点的距离,像素到种子点的颜色信息欧式距离为:
式中xi,l,a,b为像素点i在CIELAB颜色空间的值,xj,l,a,b为种子点j在CIELAB颜色空间的值;
像素到种子点的空间欧式距离为:
像素到种子点的距离为:
dist=dlab+λ*dxy
式中,dlab是像素点到种子点的颜色距离,dxy是像素点到种子点的空间距离,λ是空间位置距离的权,当λ越大时,空间信息在分割超像素时占的比重就越大,超像素形状就越趋于矩形,超像素的平均面积也就越均衡;
由于每个像素点都会被多个种子点搜索到,所以每个像素点都会有一个与周围种子点的距离,取最小值对应的种子点作为该像素点的聚类中心;
步骤3.6:迭代优化,整幅图像扫描一遍之后,每个像素点都对应一个类标签,相同类标签的像素属于同一个类,对上一次划分的每一个类,求出每一个类的[l,a,b,x,y]均值,作为新的种子点,按照上述规则重新标记,当迭代至分类结果不发生改变即划分完成,迭代结束;
步骤4:采用Spiking-SOM神经网络对超像素进行聚类;
具体为:
步骤4.1:构建Spiking-SOM神经网络:设计网络结构、初始化网络权值矩阵和搭建IF神经元模型;
步骤4.11:设计网络结构、初始化网络权值矩阵:采用K个IF神经元组成Spiking-SOM神经网络,该网络为单层单突触连接的Spiking-SOM神经网络,每个神经元代表一个超像素,每个神经元与其Z个最近邻连接起来,通过计算超像素之间颜色特征的欧氏距离并进行归一化,将超像素的颜色特征映射到神经网络的权值矩阵中,实现网络权值矩阵初始化;超像素颜色特征描述为x=[r,g,b],其中[r,g,b]是超像素内的所有像素的RGB平均值;
神经元i和神经元j之间的欧氏距离计算为:
对于每一个神经元,确定Z个最近邻,即欧氏距离最小,将每个神经元与其Z个最近邻连接起来,神经元i和神经元j之间的初始连接权值wij由归一化函数计算为:
式中dij为神经元i和神经元j之间的欧式距离,d0为初始选定的一个与神经元i与j之间的平均距离成比例的局部参数,计算为:
步骤4.12:搭建IF神经元模型,Spiking-SOM神经网络由K个IF Spike神经元组成,IF神经元模型积分公式为:
式中I为输入电流,其中I=Iext+Iint,Iext为外部输入电流,它是恒定的阶跃函数,Iint为来自所连接的神经元发出的脉冲电流,τm=RC,R是IF神经元模型电阻,C为电容,urest为静态电压;
当IF神经元模型进行精确积分时,在t0时刻,给出一个初始膜电压ui(t0),Ti是神经元i的膜电压从ui(t0)到达阈值所需要的时间,计算为:
式中θ为IF神经元膜电压阈值;
网络中下一个脉冲发生的时间计算为:
Tk=mini{Ti}
式中k指下一个发放脉冲的神经元,mini{Ti}为神经元i的膜电压从ui(t0)到达阈值所需要的时间的最小值,i=1,2...K,K为神经元数量;
然后所有神经元的膜电压将更新为:
式中t'为神经元k发放脉冲的时间,t′=t0+Tk;
如果神经元i的膜电压大于阈值θ时,神经元膜电压复位为:
ui(t')=0
如果膜电压小于阈值,则膜电压更新为:
式中F(t')是在神经元i连接的所有在t'时刻发放脉冲的神经元,wij为神经元i和属于F(t')内的神经元j之间的连接权值;
步骤4.2:训练网络:采用Hebbian学习规则进行网络训练,定义时间窗τ;如果两个神经元i和j发放脉冲的时间差小于τ,那就表示两个神经元是同步放电的,且i和j之间的连接权值加倍,同时定义最大突触权值sm,wij=Min(sm,wij),Min(sm,wij)是sm与wij的最小值;如果时间差大于τ,则神经元之间的连接权值则会衰减,衰减公式如下:
式中Text是动作电位从静息电位0上升到阈值所需要的时间,τ=Text/4,Text计算为:
网络初始化之后,根据以上描述的学习规则进行动态调整,当网络模拟停止时,集群中的权值将接近wij=1,孤立的神经元的连接权值则接近于0,因此,同步放电集群就是同步放电的所有神经元的集合,在神经元集群的学习结束后,在单个神经元学习之前,停止学习过程,具体通过观察突触权值的比率来实现,当rlearn<0.3时,停止训练,rlearn计算为:
rlearn=nlearn/n1
式中rlearn为网络权值矩阵中连接权值为1的数量与连接权值在0到1之间的数量的比例,nlearn为网络权值矩阵中连接权值在0到1之间的数量nlearn={wij|smin<wij<1},smin是网络权值矩阵中的最小值,n1为网络权值矩阵中连接权值为1的数量n1={wij|wij=1};
步骤4.3:神经元聚类,网络训练结束后突触的权值要么接近于零,要么接近于1,以此来表示训练中有一个强有力的自组织过程,为了在网络训练终止后识别集群,如果突触的连接权值小于阈值Θ,则此连接权值变为0,那么,所有突触的连接权值大于或等于阈值Θ也就是连接权值不为0时,认为此突触前后两个神经元同步放电,同步放电的神经元聚为一类,不同步的异类,则所有同步放电的神经元连接起来组成若干集群,将集群分别用类别来表示,则完成了神经元聚类,也就是超像素聚类;
步骤5:重置图像矩阵,得到图像分割结果。
2.根据权利要求1所述的一种基于Spiking-SOM神经网络聚类的图像分割方法,其特征在于,步骤1中所述的目标图像为彩色图像,输入目标图像时读取目标图像在RGB颜色空间的值。
3.根据权利要求1所述的一种基于Spiking-SOM神经网络聚类的图像分割方法,其特征在于,步骤4.3中阈值Θ的范围为[0.6,0.9]。
4.根据权利要求1所述的一种基于Spiking-SOM神经网络聚类的图像分割方法,其特征在于,步骤5中重置图像矩阵,得到图像分割结果具体为:计算同类的超像素的RGB平均值,并用其代替原来的超像素RGB值,重置图像矩阵后,得到图像分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810587530.9A CN108876797B (zh) | 2018-06-08 | 2018-06-08 | 一种基于Spiking-SOM神经网络聚类的图像分割系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810587530.9A CN108876797B (zh) | 2018-06-08 | 2018-06-08 | 一种基于Spiking-SOM神经网络聚类的图像分割系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876797A CN108876797A (zh) | 2018-11-23 |
CN108876797B true CN108876797B (zh) | 2021-09-24 |
Family
ID=64337407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810587530.9A Active CN108876797B (zh) | 2018-06-08 | 2018-06-08 | 一种基于Spiking-SOM神经网络聚类的图像分割系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876797B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741341B (zh) * | 2018-12-20 | 2022-11-01 | 华东师范大学 | 一种基于超像素和长短时记忆网络的图像分割方法 |
CN109886325B (zh) * | 2019-02-01 | 2022-11-29 | 辽宁工程技术大学 | 一种非线性颜色空间分类的模板选择与加速匹配方法 |
CN111476292B (zh) * | 2020-04-03 | 2021-02-19 | 北京全景德康医学影像诊断中心有限公司 | 医学图像分类处理人工智能的小样本元学习训练方法 |
CN111563544B (zh) * | 2020-04-27 | 2023-07-25 | 中国科学院国家空间科学中心 | 一种多尺度超像素分割的最大信噪比高光谱数据降维方法 |
CN112183546B (zh) * | 2020-09-29 | 2023-05-23 | 河南交通职业技术学院 | 一种具有权重约束的基于空间最近邻的图像分割方法 |
CN112633497B (zh) * | 2020-12-21 | 2023-08-18 | 中山大学 | 一种基于重加权膜电压的卷积脉冲神经网络的训练方法 |
CN112861669B (zh) * | 2021-01-26 | 2021-12-10 | 中国科学院沈阳应用生态研究所 | 地表坡向约束的高分辨率dem地形特征增强提取方法 |
CN113012165B (zh) * | 2021-03-19 | 2023-06-23 | 厦门大学 | 一种基于gpu的各向异性视频过分割方法 |
CN113344947B (zh) * | 2021-06-01 | 2022-05-10 | 电子科技大学 | 一种超像素聚合分割方法 |
CN113792858B (zh) * | 2021-09-13 | 2024-03-01 | 江南大学 | 耦合神经网络有界同步及其分布式控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279958A (zh) * | 2013-05-31 | 2013-09-04 | 电子科技大学 | 一种基于Spiking神经网络的图像分割方法 |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN106446914A (zh) * | 2016-09-28 | 2017-02-22 | 天津工业大学 | 基于超像素和卷积神经网络的道路检测 |
CN107256554A (zh) * | 2017-05-18 | 2017-10-17 | 西安电子科技大学 | 一种用于图像分割的单层脉冲神经网络结构 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007071070A1 (en) * | 2005-12-23 | 2007-06-28 | Universite De Sherbrooke | Spatio-temporal pattern recognition using a spiking neural network and processing thereof on a portable and/or distributed computer |
WO2016187706A1 (en) * | 2015-05-22 | 2016-12-01 | Socpra Sciences Et Génie S.E.C. | Method and system for event-based neural networks |
-
2018
- 2018-06-08 CN CN201810587530.9A patent/CN108876797B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279958A (zh) * | 2013-05-31 | 2013-09-04 | 电子科技大学 | 一种基于Spiking神经网络的图像分割方法 |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN106446914A (zh) * | 2016-09-28 | 2017-02-22 | 天津工业大学 | 基于超像素和卷积神经网络的道路检测 |
CN107256554A (zh) * | 2017-05-18 | 2017-10-17 | 西安电子科技大学 | 一种用于图像分割的单层脉冲神经网络结构 |
Non-Patent Citations (4)
Title |
---|
Segmentation and Edge Detection Based on Spiking Neural Network Model;B. Meftah · O. Lezoray · A. Benyettou;《Neural Process Lett》;20100820;第1-16页 * |
Spiking神经网络的研究及其在图像分割中的应用;朱宗花;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115(第01期);论文摘要、第4、6-12、39-50页 * |
基于深度学习的细胞图像分割与识别算法研究;杨金鑫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180315(第03期);论文第23-25页 * |
深度脉冲神经网络及其应用;李鹏;《万方数据知识服务平台》;20171129;论文摘要、第13-23、45-71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108876797A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876797B (zh) | 一种基于Spiking-SOM神经网络聚类的图像分割系统及方法 | |
CN108416307B (zh) | 一种航拍图像路面裂缝检测方法、装置及设备 | |
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN107133616B (zh) | 一种基于深度学习的无分割字符定位与识别方法 | |
CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN108009509A (zh) | 车辆目标检测方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN111027382B (zh) | 一种基于注意力机制的轻量级人脸检测的方法及模型 | |
CN109446922B (zh) | 一种实时鲁棒的人脸检测方法 | |
CN108364278B (zh) | 一种岩心裂缝提取方法和系统 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN106157330B (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
CN108021889A (zh) | 一种基于姿态外形和运动信息的双通道红外行为识别方法 | |
CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
CN109214298A (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN111160407A (zh) | 一种深度学习目标检测方法及系统 | |
CN112052772A (zh) | 一种人脸遮挡检测算法 | |
CN105809716A (zh) | 融合超像素与三维自组织背景减除法的前景提取方法 | |
CN110969171A (zh) | 基于改进卷积神经网络的图像分类模型、方法及应用 | |
CN111915629A (zh) | 基于边界检测的超像素分割方法 | |
CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
CN111353385B (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
CN113298129A (zh) | 基于超像素和图卷积网络的极化sar图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |