CN110889876B - 一种基于ca-spcnn算法的彩色图像量化方法 - Google Patents
一种基于ca-spcnn算法的彩色图像量化方法 Download PDFInfo
- Publication number
- CN110889876B CN110889876B CN201911257606.2A CN201911257606A CN110889876B CN 110889876 B CN110889876 B CN 110889876B CN 201911257606 A CN201911257606 A CN 201911257606A CN 110889876 B CN110889876 B CN 110889876B
- Authority
- CN
- China
- Prior art keywords
- quantization
- color image
- spcnn
- algorithm
- image
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供了一种基于CA‑SPCNN算法的的彩色图像量化方法,属于图像处理技术领域,用于解决在量化层数增加,提高图像丰富度的同时,如何降低计算复杂度和信息失真率,处理好视觉效果与数据存储空间平衡的技术问题。本发明包括彩色图像量化预处理、量化处理和量化后处理三个步骤,将原始图像处理成红、绿、蓝三个通道的归一化图像,通过CA‑SPCNN算法对图像进行量化处理,通过量化后处理算法得到三个通道的量化图像,合并得到最终量化图像。本发明在CA‑SPCNN算法的基础上加以改进,实现彩色图像的量化处理,简化操作步骤,降低计算复杂度,在保证较低失真率和较高量化准确率的前提下,彩色图像视觉效果好,减小了占用数据存储空间。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像量化方法,特别是一种基于CA-SPCNN算法的彩色图像量化方法。
背景技术
彩色图像量化是指将一幅具有N种颜色的图像用少于N种颜色替换,并使替换后的图像与原始图像尽可能接近,是彩色图像处理的基本技术之一。图像颜色即量化层数越多,图像层次越丰富,灰度分辨率高,能够产生更为细致的图像效果,但也会占有更大的存储空间。反之亦然。彩色图像量化的基本问题是处理好视觉效果与数据存储空间的平衡关系。
由于图像数据存在冗余,包括相邻像素间的相关性引起的空间冗余、图像序列中不同帧之间的相关性引起的时间冗余、不同彩色平面或频谱带的相关性引起的频谱冗余,使得图像数据在存储、传输和处理时非常困难,因此图像数据的压缩就显得非常重要。目前图像压缩技术主要分为无损压缩和有损压缩。无损压缩是利用数据的统计冗余进行压缩,可完全恢复原始数据而不引起任何失真,但压缩率受到数据统计冗余度的理论限制。其广泛用于文本数据,程序和特殊应用场合的图像数据(如指纹图像,医学图像等)的压缩。有损压缩是利用了人类对图像或声波中的某些频率成分不敏感的特性,允许压缩过程中损失一定的信息,虽然不能完全恢复原始数据,但所损失的部分对理解原始图像的影响缩小,却换来了大得多的压缩比。然而现有的有损压缩技术存在着压缩比率越高图像质量越低、数据一旦压缩则无法回到原始状态等不足。图像压缩技术通常由图像量化技术和图像编码技术组成,图像编码技术较为成熟,图像量化技术还有进一步提升的空间。
现有的彩色图像量化算法主要有μ律量化算法(参考文献:I.Kajitani,N.Otsu,and T.Higuchi,“Improvements in myoelectric pattern classification rate withμ-law quantization,”in Proc.XVII IMEKO World Congress,2003)、A律量化算法(参考文献:A.B.Carlson,Communication system.Tata McGraw-Hill Education,2010)以及HPCNN量化算法(参考文献:Y.Huang,Y.Ma,S.Li and K.Zhan,“Application ofheterogeneous pulse coupled neural network in image quantization,”J ElectronImaging.,vol.25,no.6,pp.061603-061603,2016)。
CA-SPCNN是英文Classification-assigned simplified pulse-coupled neuralnetwork的缩写,中文表称为“指定分类的简化脉冲耦合神经网络”。目前学界普遍以PCNN称谓脉冲耦合神经网络。1989年,Eckhorn模仿猫脑皮层神经元动态同步活动特性,提出了链接域模型(参考文献:R.Eckhorn,H.J.Reitboeck,M.Arndt,and P.W.Dicke,“Featurelinking via synchronization among distributed assemblies:Simulations ofresults from cat visual cortex,”Neural Comput.,vol.2,no.3,pp.293–307,1990),1993年,Johnson等人提出了一个改进的神经元模型,将之命名为脉冲耦合神经网络(PCNN)[参考文献:J.L.Johnson,“Pulse-coupled neural nets:translation,rotation,scale,distortion,and intensity signal invariance for images,”Appl.Opt.,vol.33,no.26,pp.6239–6253,1994;J.L.Johnson,“Pulse-coupled neural networks,”inProc.SPIE Adapt.Comput.:Math.,Electron.,Opt.Crit.Rev.,vol.CR55,pp.47–76,1994;J.Johnson,M.Padgett,and O.Omidvar,“Guest editorial overview of pulse coupledneural network(pcnn)special issue,”IEEE Trans.Neural Netw.,vol.10,no.3,pp.461–463,1999;J.L.Johnson and M.L.Padgett,“Pcnn models and applications,”IEEE Trans.Neural Netw.,vol.10,no.3,pp.480–498,1999]。
PCNN神经元较传统人工神经元更好地模仿了生物神经元,各脉冲耦合神经元之间横向联系,且不需要任何训练,国内外研究已证实在医学图像处理中,由于PCNN与视觉神经系统的天然联系及对哺乳动物视觉皮层较为精细的模拟,模型中每一神经元的阈值是随时间按指数规律衰减变化的,符合人眼视觉对亮度强度响应的非线性特征,处理后的图像具有更好的视觉效果。同时也认为,PCNN设置参数较多,计算量较大,需要简化参数降低计算复杂度。PCNN理论目前仍不成熟,其模型参数与图像处理机理之间的关系还不十分清楚,希望PCNN能和人眼一样实时自然地处理图像尚有许多难题需要破解。
发明内容
本发明的目的是针对现有的技术存在上述问题,提出了一种基于CA-SPCNN算法的彩色图像量化方法,该方法要解决的技术问题是:在量化层数增加,提高图像丰富度的同时,如何降低计算复杂度和信息失真率,处理好视觉效果与数据存储空间的平衡关系。
本发明的目的可通过下列技术方案来实现:
一种基于CA-SPCNN算法的彩色图像量化方法,该彩色图像量化方法包括彩色图像量化预处理、彩色图像量化处理和彩色图像量化后处理三个步骤,所述彩色图像量化预处理步骤中,先将采用归一化图像处理方法,通过调整原始图像的像素值,重新确定CA-SPCNN模型的外部输入刺激,再将彩色图像分为红,绿和蓝三个通道的灰度子图像,为采用CA-SPCNN分别对每个通道灰度子图像进行量化处理做好铺垫工作;
所述彩色图像量化处理步骤如下:
步骤一:设定CA-SPCNN的预定义迭代次数T的值;
步骤二:设定CA-SPCNN的其它6个自适应参数,表达式如下:
Kn=e-nα
β=e-α
V=e-2α+e-3α
其中,Smin是整幅图像的最小像素值;
T值为设定的算法想要的迭代次数;
α是内部活动项的衰减参数,它的值越大,内部活动项衰减速度越快;
β表示某一神经元与其周围神经元的链接强度,它的值越大神经元之间的联系越紧密;
V表示动态阈值的幅值,它通常在神经元点火时被使用,该值越大,已点火的神经元再次点火的可能性越小;
Wijkl是神经元的突触权重矩阵,该矩阵数值越大,表示周围神经元对中心神经元的影响越大;
Kn是动态阈值E的辅助调节参数,它在每次迭代过程中,根据前次动态阈值的变化而变化,使得动态阈值E的衰减更具合理性;
LT是点火神经元的控制参数,避免每个已神经元再次点火;
步骤三:设定CA-SPCNN模型的馈送输入,该算法如下:
Fij[n]=Sij
其中,Fij[n]表示神经元Nij在位置(i,j)处的馈送输入,它由外部激励Sij表示,由外部因素作用产生;
步骤四:设定CA-SPCNN的链接输入,该算法如下:
其中,Lij[n]表示神经元Nij在位置(i,j)处的链接输入,它由突触权重矩阵Wijkl和前一次迭代邻近神经元的输出Ykl[n-1]的乘积表示,由周围神经元作用产生;
步骤五:设定CA-SPCNN模型的内部活动项和它的初始值Uij[0]=0,该算法如下:
其中,Uij[n]为神经元Nij的内部活动项,由两部分组成:一部分是内部活动项前一次迭代的结果Uij[n-1]与指数衰减因子e-α的乘积,由该神经元前一次迭代的状态决定;另一部分是由简化的链接输入Lij[n]与馈送输入Fij[n]经过调制形成的结果,由周围神经元以及外部激励决定;
步骤六:设定CA-SPCNN模型的点火条件以及初始动态阈值Eij[0]=0,点火条件如下:
其中,内部活动项Uij[n]大于动态阈值Eij[n-1]时,神经元点火,否则不点火;
步骤七:设定CA-SPCNN模型的动态阈值:
Eij[n]=e-2αEij[n-1]+Kn+VLTYij[n]
其中,动态阈值的变化主要受到参数V和α的影响,V值越大,α值越小,动态阈值在每次迭代中的数值越大,点火神经元的数量越少;
所述彩色图像量化后处理步骤包括:
步骤一:采用如下算法,计算量化后每一个灰度级对应的量化前所有像素的灰度平均值,其数学公式表示为:
其中,Squn为量化后第n个灰度级对应的像素强度值,Sn(f)表示量化后第n个灰度级第f个神经元对应的量化前的像素强度值;Pn表示量化后第n个灰度级对应的点火神经元的数量。量化后的同步点火神经元在每个灰度级中具有相同的量化像素强度值。
步骤二:合并三个通道的图像量化结果,得到最终的彩色图像量化结果。
本发明的工作原理是:本发明提供一种基于CA-SPCNN算法的彩色图像量化方法,包括彩色图像量化预处理、彩色图像量化处理和彩色图像量化后处理三个步骤,对原始图像进行归一化图像处理,将原始图像分为红、绿、蓝三个通道的归一化图像,再对通过CA-SPCNN算法对图像进行量化处理得到三个通道的量化处理结果,通过量化后处理算法得到三个通道的最终量化图像,最后进行合并得到最终量化图像。本发明在CA-SPCNN算法的基础上,对原有SPCNN算法加以改进,并与其他算法相结合,实现彩色图像的量化处理,在保证具有较低失真率和较高量化准确率的前提下,降低量化的压缩比率,减少图像含有的信息量,减少数据占用储存空间,满足了彩色图像视觉效果与数据存储空间的平衡要求,且简化操作步骤,图像量化的计算复杂度降低。
色图像量化预处理步骤中,归一化图像处理方法的计算公式如下:
其中,Sij(norm)是归一化的彩色图像,Smax是整幅图像的最大像素值,L是整幅图像的灰度级,彩色图像的像素值分布范围S为1≥S≥1/L,该算法能确保CA-SPCNN模型得到一个合理的外部输入刺激。
彩色图像量化处理步骤中CA-SPCNN的预定义迭代次数T的值设定为8、16、32、64、128中任意一个,优选地,迭代次数T的值设定为128。
与现有技术相比,本发明提供的彩色图像量化方法具有以下优点:
1、本发明以CA-SPCNN算法为基础,合并了预处理和后处理的相关算法,对原有SPCNN算法加以改进,进一步显现出PCNN所具有的各种特性,并与其他算法相结合,完成了彩色图像的量化任务,在保证具有较低失真率和较高量化准确率的前提下,降低了量化的压缩比率,减少图像含有的信息量,减小占用存储空间,使视觉效果与数据存储空间达到相对平衡,且简化操作步骤,图像量化的计算复杂度降低。
2、本发明提供的算法仅需计算参数α的值,算法简明度提高,计算公式和运算过程简化。算法迭代次数仅由预定义迭代次数T决定,迭代过程收敛,图像量化效率提高。
3、本发明提供的算法进一步发挥出PCNN模型较传统模型精确度高、复杂性低的优点,既保留了PCNN捕获和同步点火等特性,又提高了模型对像素空间的描述能力,使得彩色图像在进行增加量化层数、丰富图像层次的处理时,数据空间的大辐压缩也成为可能,将极大地降低数据存储和传输的成本。
附图说明
图1是本发明彩色图像量化方法的流程示意图;
图2是本发明彩色图像量化方法的流程效果示意图;
图3是本发明彩色图像量化方法与其他算法的效果对比图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
下面详细描述本专利的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本专利,而不能理解为对本专利的限制。
请参阅图1,本实施例提供了一种基于CA-SPCNN算法的彩色图像量化方法,该彩色图像量化方法包括彩色图像量化预处理、彩色图像量化处理和彩色图像量化后处理三个步骤,所述彩色图像量化预处理步骤中,先将采用归一化图像处理方法,通过调整原始图像的像素值,重新确定CA-SPCNN模型的外部输入刺激,再将彩色图像分为红,绿和蓝三个通道的灰度子图像,为采用CA-SPCNN分别对每个通道灰度子图像进行量化处理做好铺垫工作;
所述彩色图像量化处理步骤如下:
步骤一:设定CA-SPCNN的预定义迭代次数T的值;
步骤二:设定CA-SPCNN的其它6个自适应参数,表达式如下:
Kn=e-nα
β=e-α
V=e-2α+e-3α
其中,Smin是整幅图像的最小像素值;
T值为设定的算法想要的迭代次数;
α是内部活动项的衰减参数,它的值越大,内部活动项衰减速度越快;
β表示某一神经元与其周围神经元的链接强度,它的值越大神经元之间的联系越紧密;
V表示动态阈值的幅值,它通常在神经元点火时被使用,该值越大,已点火的神经元再次点火的可能性越小;
Wijkl是神经元的突触权重矩阵,该矩阵数值越大,表示周围神经元对中心神经元的影响越大;
Kn是动态阈值E的辅助调节参数,它在每次迭代过程中,根据前次动态阈值的变化而变化,使得动态阈值E的衰减更具合理性;
LT是点火神经元的控制参数,避免每个已神经元再次点火;
步骤三:设定CA-SPCNN模型的馈送输入,该算法如下:
Fij[n]=Sij
其中,Fij[n]表示神经元Nij在位置(i,j)处的馈送输入,它由外部激励Sij表示,由外部因素作用产生;
步骤四:设定CA-SPCNN的链接输入,该算法如下:
其中,Lij[n]表示神经元Nij在位置(i,j)处的链接输入,它由突触权重矩阵Wijkl和前一次迭代邻近神经元的输出Ykl[n-1]的乘积表示,由周围神经元作用产生;
步骤五:设定CA-SPCNN模型的内部活动项和它的初始值Uij[0]=0,该算法如下:
其中,Uij[n]为神经元Nij的内部活动项,由两部分组成:一部分是内部活动项前一次迭代的结果Uij[n-1]与指数衰减因子e-α的乘积,由该神经元前一次迭代的状态决定;另一部分是由简化的链接输入Lij[n]与馈送输入Fij[n]经过调制形成的结果,由周围神经元以及外部激励决定;
步骤六:设定CA-SPCNN模型的点火条件以及初始动态阈值Eij[0]=0,点火条件如下:
其中,内部活动项Uij[n]大于动态阈值Eij[n-1]时,神经元点火,否则不点火;
步骤七:设定CA-SPCNN模型的动态阈值:
Eij[n]=e-2αEij[n-1]+Kn+VLTYij[n]
其中,动态阈值的变化主要受到参数V和α的影响,V值越大,α值越小,动态阈值在每次迭代中的数值越大,点火神经元的数量越少;
所述彩色图像量化后处理步骤包括:
步骤一:采用如下算法,计算量化后每一个灰度级对应的量化前所有像素的灰度平均值,其数学公式表示为:
其中,Squn为量化后第n个灰度级对应的像素强度值,Sn(f)表示量化后第n个灰度级第f个神经元对应的量化前的像素强度值;Pn表示量化后第n个灰度级对应的点火神经元的数量。量化后的同步点火神经元在每个灰度级中具有相同的量化像素强度值。
步骤二:合并三个通道的图像量化结果,得到最终的彩色图像量化结果。
色图像量化预处理步骤中,归一化图像处理方法的计算公式如下:
其中,Sij(norm)是归一化的彩色图像,Smax是整幅图像的最大像素值,L是整幅图像的灰度级,彩色图像的像素值分布范围S为1≥S≥1/L,该算法能确保CA-SPCNN模型得到一个合理的外部输入刺激。
彩色图像量化处理步骤中CA-SPCNN的预定义迭代次数T的值设定为8、16、32、64、128中任意一个,优选地,迭代次数T的值设定为128。
请参阅图2,图2是本发明彩色图像量化方法的流程效果示意图,最终量化结果图与原始图相比,量化结果与原始图像从主观感受上几乎一致,表明量化图像具有较好的客观评价效果,量化后的图像具有较低失真率和较高量化准确率,能够满足彩色图像视觉效果与数据存储空间的平衡要求。
上述彩色图像量化处理方法包括彩色图像量化预处理、彩色图像量化处理和彩色图像量化后处理三个步骤,对原始图像进行归一化图像处理,将原始图像分为红、绿、蓝三个通道的归一化图像,再对通过CA-SPCNN算法对图像进行量化处理得到三个通道的量化处理结果,通过量化后处理算法得到三个通道的最终量化图像,最后进行合并得到最终量化图像,简化图像处理步骤,计算量少;在CA-SPCNN算法的基础上,对原有SPCNN算法加以改进,并与其他算法相结合,实现彩色图像的量化处理,本发明技术较好的满足了彩色图像视觉效果与数据存储空间的平衡要求,在保证具有较低失真率和较高量化准确率的前提下,降低量化的压缩比率,减少图像含有的信息量,压缩数据占用空间。
本发明与μ律量化算法、A律量化算法以及HPCNN量化算法的量化效果性能比较。
设备:实验采用的电脑型号为联想拯救者R720-15,处理器采用Intel(R)Core(TM)i7-7700HQ CPU@2.80GHz,MATLAB的版本为2016(a)。
素材来源:本发明中采用的图像素材选自伯克利数据集(BSD)(D.Martin,C.Fowlkes,D.Tal,J.Malik,“A database of human segmented natural images and itsapplication to evaluating segmentation algorithms and measuring ecologicalstatistics,”in Proc.8th Int.Conf.Comput.Vis.vol.2.Vancouver,BC,Canada,Jul.2001,pp.416C423),该数据集选取的图像共计500幅,具有较强的代表性,为图像处理中的常用数据集,每幅图像的分辨率为481×321或321×481,每个像素对应红、绿、蓝三个通道的像素灰度值,并且每一个像素都有256个灰度级。
(1)采用四种图像量化方法进行图像量化后的效果对比。
如图3所示,图3是本发明彩色图像量化方法与其他算法的效果对比图,其中子图(a1)为原始图像;子图(b1)-(b5)为本发明量化方法分别在量化层数为8、16、32、64和128时得到的量化结果;子图(c1)-(c5)为μ律算法分别在量化层数为8、16、32、64和128时得到的量化结果;子图(d1)-(d5)为A律算法分别在量化层数为8、16、32、64和128时得到的量化结果;子图(e1)-(e5)为HPCNN算法分别在量化层数为8、16、32、64和128时得到的量化结果。本发明图像量化方法在量化层数为128时,量化结果与原始图像从主观感受上几乎一致,具有较低失真率和较高量化准确率。
(2)采用四种图像量化方法进行图像量化后的数据对比。
在对比实验中采用四个评价指标均方误差(MSE)、峰值信噪比(PSNR)、熵(Entropy)和压缩率(CR)对量化效果进行比较评价。
评价指标均方误差(MSE)来自于文献[F.Hu,C.Pu,H.Gao,M.Tang,and L.Li,“Animage compression and encryption scheme based on deep learning,”arXivpreprint arXiv:1608.05001,2016];
评价指标峰值信噪比(PSNR)来自于文献[A.Khaled,R.F.Abdel-Kader,andM.S.Yasein,“A hybrid color image quantization algorithm based on k-means andharmony search algorithms,”Appl Artif Intell,vol.30,no.4,pp.331–351,2016];
评价指标熵(Entropy)来自于文献[Y.Ma,R.Dai,and L.Li,“Automated imagesegmentation using pulse coupled neural networks and image’s entropy,”J ChinaInst Commun,vol.23,no.1,pp.46–51,2002];
评价指标压缩率(CR)来自于文献[Y.Huang,Y.Ma,S.Li and K.Zhan,“Application of heterogeneous pulse coupled neural network in imagequantization,”J Electron Imaging.,vol.25,no.6,pp.061603-061603,2016];
其中评价指标MSE和PSNR用来评价原始图像和量化后图像之间的差别,MSE值越大,PSNR值越小,两类图像的差别越大,反之亦然;Entropy表示提取到的量化后图像的信息量,该值越小,量化提取到的信息量越小;CR表示量化图像的压缩比率,该值越小表示量化图像的压缩比率越高,量化效果越好。
本实验采用本发明图像量化算法、μ律量化算法、A律量化算法以及HPCNN量化算法的性能比较,来验证本发明图像量化方法的有效性,实验数据如表1所示。
表1彩色图像量化结果评价指标对比表
从表1的彩色图像量化结果评价指标数据可以看出,本发明量化方法在量化层数为128时的评价指标MSE和PSNR为四种算法中最好的(用加粗字体表示),即原始图像和量化后图像之间的差别最小,失真率最低,准确率最高,这主要因为CA-SPCNN模型能够根据实际情况重新划分彩色图像的量化层数以及后处理步骤中参数Squn的设定。本发明量化方法评价指标Entropy的值高于μ律算法和A律算法,低于HPCNN算法,这表明本发明量化方法的量化结果包含了较低的信息量。本发明量化方法评价指标CR的值高于A律算法和μ律算法,低于HPCNN算法,这表明本发明量化方法的量化结果具有较低的图像压缩率。
以上数据可知,本发明方法在保证具有较低失真率和较高量化准确率的前提下,降低了量化的压缩比率,减少了图像含有的信息量,减小数据占用存储空间。
综上所述,本发明提供的一种基于CA-SPCNN算法的彩色图像量化方法,包括彩色图像量化预处理、彩色图像量化处理和彩色图像量化后处理三个步骤,对原始图像进行归一化图像处理,将原始图像分为红、绿、蓝三个通道的归一化图像,再对通过CA-SPCNN算法对图像进行量化处理得到三个通道的量化处理结果,通过量化后处理算法得到三个通道的量化图像,最后进行合并得到最终量化图像。本发明以CA-SPCNN算法为基础,合并了预处理和后处理的相关算法,对原有SPCNN算法加以改进,简化操作步骤,图像量化的计算复杂度降低,进一步显现出PCNN所具有的变阈值特性、非线性调制特性、同步脉冲发放现象、捕获特性、动态脉冲发放现象、自动波特性和综合时空特性,并与其他算法相结合,完成了彩色图像的量化任务,在保证具有较低失真率和较高量化准确率的前提下,降低量化的压缩比率,减少图像含有的信息量,减小数据占用存储空间,满足了彩色图像视觉效果与数据存储空间的平衡要求。本发明提供的算法进一步发挥出PCNN模型较传统模型精确度高、复杂性低的优点,既保留了PCNN捕获和同步点火等特性,又提高了模型对像素空间的描述能力,使得彩色图像在进行增加量化层数、丰富图像层次的处理时,数据空间的大幅压缩也成为可能,将极大地降低数据存储和传输的成本,较好解决了数据一旦压缩则无法回到原始状态的问题。
本发明提供的算法迭代次数仅由预定义迭代次数T决定,迭代过程收敛,图像量化效率提高,仅需计算参数α的值,算法简明度提高,计算公式和运算过程简化。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下做出各种变化。
Claims (3)
1.一种基于CA-SPCNN算法的彩色图像量化方法,其特征在于,所述彩色图像量化方法包括彩色图像量化预处理、彩色图像量化处理和彩色图像量化后处理三个步骤,所述彩色图像量化预处理步骤中,先将采用归一化图像处理方法,通过调整原始图像的像素值,重新确定CA-SPCNN模型的外部输入刺激,再将彩色图像分为红,绿和蓝三个通道的灰度子图像;所述彩色图像量化处理步骤如下:
步骤一:设定CA-SPCNN的预定义迭代次数T的值;
步骤二:设定CA-SPCNN的其它6个自适应参数,表达式如下:
Kn=e-nα
β=e-α
V=e-2α+e-3α
其中,Smin是整幅图像的最小像素值;
T值为设定的算法想要的迭代次数;
α是内部活动项的衰减参数;
β表示某一神经元与其周围神经元的链接强度;
V表示动态阈值的幅值;
Wijkl是神经元的突触权重矩阵;
Kn是动态阈值E的辅助调节参数;
LT是点火神经元的控制参数;
步骤三:设定CA-SPCNN模型的馈送输入,该算法如下:
Fij[n]=Sij
其中,Fij[n]表示神经元Nij在位置(i,j)处的馈送输入,它由外部激励Sij表示,由外部因素作用产生;
步骤四:设定CA-SPCNN的链接输入,该算法如下:
其中,Lij[n]表示神经元Nij在位置(i,j)处的链接输入,它由突触权重矩阵Wijkl和前一次迭代邻近神经元的输出Ykl[n-1]的乘积表示,由周围神经元作用产生;
步骤五:设定CA-SPCNN模型的内部活动项和它的初始值Uij[0]=0,该算法如下:
其中,Uij[n]为神经元Nij的内部活动项,由两部分组成:一部分是内部活动项前一次迭代的结果Uij[n-1]与指数衰减因子e-α的乘积,由该神经元前一次迭代的状态决定;另一部分是由简化的链接输入Lij[n]与馈送输入Fij[n]经过调制形成的结果,由周围神经元以及外部激励决定;
步骤六:设定CA-SPCNN模型的点火条件以及初始动态阈值Eij[0]=0,点火条件如下:
其中,内部活动项Uij[n]大于动态阈值Eij[n-1]时,神经元点火,否则不点火;
步骤七:设定CA-SPCNN模型的动态阈值:
Eij[n]=e-2αEij[n-1]+Kn+VLTYij[n]
其中,动态阈值的变化主要受到参数V和α的影响,V值越大,α值越小,动态阈值在每次迭代中的数值越大,点火神经元的数量越少;
所述彩色图像量化后处理步骤包括:
步骤一:采用如下算法,计算量化后每一个灰度级对应的量化前所有像素的灰度平均值,其数学公式表示为:
其中,Squn为量化后第n个灰度级对应的像素强度值,Sn(f)表示量化后第n个灰度级第f个神经元对应的量化前的像素强度值;Pn表示量化后第n个灰度级对应的点火神经元的数量;
步骤二:合并三个通道的图像量化结果,得到最终的彩色图像量化结果。
3.根据权利要求1所述的一种基于CA-SPCNN算法的彩色图像量化方法,其特征在于,所述彩色图像量化处理步骤中CA-SPCNN的预定义迭代次数T的值设定为8、16、32、64、128中任意一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911257606.2A CN110889876B (zh) | 2019-12-10 | 2019-12-10 | 一种基于ca-spcnn算法的彩色图像量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911257606.2A CN110889876B (zh) | 2019-12-10 | 2019-12-10 | 一种基于ca-spcnn算法的彩色图像量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889876A CN110889876A (zh) | 2020-03-17 |
CN110889876B true CN110889876B (zh) | 2022-05-03 |
Family
ID=69751333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911257606.2A Active CN110889876B (zh) | 2019-12-10 | 2019-12-10 | 一种基于ca-spcnn算法的彩色图像量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889876B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819712B (zh) * | 2021-01-22 | 2022-03-11 | 兰州交通大学 | 一种基于pna-mspcnn模型的低照度彩色图像增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551010A (zh) * | 2016-01-20 | 2016-05-04 | 中国矿业大学 | 基于nsct及深度信息激励pcnn的多聚焦图像融合方法 |
CN108090910A (zh) * | 2018-01-04 | 2018-05-29 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7525552B2 (en) * | 2004-04-21 | 2009-04-28 | Slipstream Data Inc. | Method, system and software product for color image encoding |
CN102175613B (zh) * | 2011-01-26 | 2012-11-14 | 南京大学 | 基于图像亮度特征的ptz视频能见度检测方法 |
CN107154048A (zh) * | 2017-05-09 | 2017-09-12 | 中国科学院遥感与数字地球研究所 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
CN108985252B (zh) * | 2018-07-27 | 2022-05-27 | 陕西师范大学 | 改进的脉冲深度神经网络的图像分类方法 |
CN110276776B (zh) * | 2019-06-17 | 2021-06-15 | 北京博睿维讯科技有限公司 | 一种基于spcnn的自适应目标检测方法 |
-
2019
- 2019-12-10 CN CN201911257606.2A patent/CN110889876B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551010A (zh) * | 2016-01-20 | 2016-05-04 | 中国矿业大学 | 基于nsct及深度信息激励pcnn的多聚焦图像融合方法 |
CN108090910A (zh) * | 2018-01-04 | 2018-05-29 | 中国计量大学 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
Also Published As
Publication number | Publication date |
---|---|
CN110889876A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709902B (zh) | 基于自注意力机制的红外和可见光图像融合方法 | |
CN110059796A (zh) | 卷积神经网络的生成方法及装置 | |
CN108648188A (zh) | 一种基于生成对抗网络的无参考图像质量评价方法 | |
CN103761537B (zh) | 基于低秩优化特征字典模型的图像分类方法 | |
CN112233199B (zh) | 基于离散表征和条件自回归的fMRI视觉重构方法 | |
Qi et al. | A new heterogeneous neural network model and its application in image enhancement | |
CN110889876B (zh) | 一种基于ca-spcnn算法的彩色图像量化方法 | |
CN116362325A (zh) | 一种基于模型压缩的电力图像识别模型轻量化应用方法 | |
CN110969590B (zh) | 一种基于ca-spcnn的图像增强算法 | |
Zhang et al. | Remote sensing image fusion via RPCA and adaptive PCNN in NSST domain | |
Pham et al. | End-to-end image patch quality assessment for image/video with compression artifacts | |
Sun et al. | Multi‐vision attention networks for on‐line red jujube grading | |
Yang et al. | A study of sine–cosine oscillation heterogeneous PCNN for image quantization | |
CN108648180A (zh) | 一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法 | |
Hernández-Cámara et al. | Neural networks with divisive normalization for image segmentation | |
CN112819712B (zh) | 一种基于pna-mspcnn模型的低照度彩色图像增强方法 | |
Hernández-Cámara et al. | Neural Networks with Divisive normalization for image segmentation with application in cityscapes dataset | |
CN114189695B (zh) | 一种基于gan的hevc压缩视频视觉感知提升方法 | |
CN114549673A (zh) | 一种基于学习频域信息预处理图像的图像压缩方法 | |
CN108550152A (zh) | 基于深度特征感知推理的全参考图像质量客观评价方法 | |
Xue et al. | MLResNet: An Efficient Method for Automatic Modulation Classification Based on Residual Neural Network | |
Reddy | SQUIRREL INSPIRED IMPROVED SEARCH METHOD FOR FRACTAL IMAGE COMPRESSION ON STANDARD AND MAGNETIC RESONANCE IMAGES | |
Shaik et al. | SQUIRREL INSPIRED IMPROVED SEARCH METHOD FOR FRACTAL IMAGE COMPRESSION ON STANDARD AND MAGNETIC RESONANCE IMAGES | |
CN108805944B (zh) | 一种归类精度保持的在线图像集压缩方法 | |
Dranoshchuk et al. | About perceptual quality estimation for image compression |
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 |