CN110969590B - 一种基于ca-spcnn的图像增强算法 - Google Patents
一种基于ca-spcnn的图像增强算法 Download PDFInfo
- Publication number
- CN110969590B CN110969590B CN201911257028.2A CN201911257028A CN110969590B CN 110969590 B CN110969590 B CN 110969590B CN 201911257028 A CN201911257028 A CN 201911257028A CN 110969590 B CN110969590 B CN 110969590B
- Authority
- CN
- China
- Prior art keywords
- image
- spcnn
- algorithm
- neuron
- image enhancement
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 48
- 230000000694 effects Effects 0.000 claims description 27
- 210000002856 peripheral neuron Anatomy 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 230000000946 synaptic effect Effects 0.000 claims description 6
- 238000010304 firing Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000000638 stimulation Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010606 normalization Methods 0.000 abstract 3
- 238000011156 evaluation Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 102000010954 Link domains Human genes 0.000 description 1
- 108050001157 Link domains Proteins 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 210000003618 cortical neuron Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于CA‑SPCNN的图像增强算法，属于图像处理技术领域，用于解决现有图像增强算法计算量较大和计算过程复杂的技术问题。本发明通过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，提取每个像素点三个通道的最大值，并将所有像素合并为一个矩阵，组成最大强度图像，通过CA‑SPCNN算法实现图像，再得到数值变换图像，将获得的归一化图像与数值变换图像整合获得最终增强图像。本发明所提出的算法在SPCNN算法的基础上，通过CA‑SPCNN算法与其他算法的结合并加以改进得以实现低亮度彩色图像增强，算法的计算复杂度低，计算量小，过程收敛，精确度高。
Description
技术领域
本发明属于图像处理技术领域，涉及一种图像增强算法，特别是一种基于CA-SPCNN的图像增强算法。
背景技术
图像增强对提高彩色图像视觉质量起着关键作用。由于受到成像设备、成像光照条件等因素的影响，彩色图像通常存在亮度低、局部细节信息不明显等问题，不利于人眼视觉辨识或机器自动识别。在实际应用中，通常采用图像增强技术来提高彩色图像的视觉效果。
图像增强技术升级的核心在于优化算法，提升算力。目前图像增强算法主要分为基于空域的算法和基于频域的算法。前者把图像看成一种二维信号，对其进行基于二维傅里叶变换的信号增强。采用低通滤波(即只让低频信号通过)法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。后者具有代表性的算法有局部求平均值法和中值滤波法(取局部邻域中的中间像素值)等，它们可用于去除或减弱噪声。图像增强的最终目的是通过一定手段对原始图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征(图像亮度，对比度以及局部细节)，使图像与视觉响应特性相匹配。
现有的图像增强算法主要有亮度估计算法(SRIE算法，参考文献：X.Fu,D.Zeng,Y.Huang,X.Zhang,and X.Ding,“A weighted variational model for simultaneousreflectance and illumination estimation,”in Proc.IEEE Conf.Comput.Vis.PatternRecognit.,2016,pp.2782–2790)和基于瞬时亮度和反射估计的概率算法(PLE算法，参考文献：X.Fu,Y.Liao,D.Zeng,Y.Huang,X.Zhang,and X.Ding,“A probabilistic method forimage enhancement with simultaneous illumination and reflectance estimation,”IEEE Trans.Image Process.,vol.24,no.12,pp.4965–4977,2015)。
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。
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清楚，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。
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的图像增强算法，该算法要解决的技术问题是：如何简化图像增强算法，实现低亮度色彩图像增强。
本发明的目的可通过下列技术方案来实现：
一种基于CA-SPCNN的图像增强算法，其步骤如下：
步骤一：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；
步骤二：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增强做好铺垫工作；
步骤三：提取每个像素点三个通道的最大值，并将所有像素合并为一个矩阵，组成最大强度图像；
步骤四：设定CA-SPCNN的预定义迭代次数T的值，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，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；
步骤五：设定CA-SPCNN模型的馈送输入、链接输入、内部活动项、点火条件和动态阈值，并将每次的迭代结果根据迭代次数合并为一个最终结果Sac，算法如下：
Fij[n]＝Sij
Eij[n]＝e-2αEij[n-1]+Kn+VLTYij[n]
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；
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；
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；
动态阈值Eij[n]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；
步骤六：根据CA-SPCNN模型得到的结果Sac，设定数值转换结果Str，公式如下：
其中，a1和a2是权重因子，且a1+a2＝1；
步骤七：计算最终的图像增强结果Sfin，算法如下式所示：
其中，Sen1、Sen2和Sen3分别是归一化图像Sij(norm)在红、绿和蓝通道的灰度图像。
本发明的工作原理是：本发明通过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，提取每个像素点三个通道的最大值，并将所有像素合并为一个矩阵，组成最大强度图像，通过CA-SPCNN算法实现图像，再进行数值变换图像，将获得的归一化图像与数值变换图像整合获得最终增强图像。本发明所提出的算法在SPCNN算法的基础上，通过CA-SPCNN算法与其他算法的结合并加以改进得以实现低亮度彩色图像增强，并且进一步展现出PCNN在图像处理中的独特优势，简化操作步骤，图像增强的计算复杂度降低，过程收敛，速度与精度明显提高。
步骤一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。
步骤四中CA-SPCNN的预定义迭代次数T的值设定为128，即设定的算法想要的迭代次数为128。
步骤五中，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。
与现有技术相比，本发明提供的一种基于CA-SPCNN的图像增强算法具有以下优点：
1、本发明采用CA-SPCNN算法为基础，对原有SPCNN算法加以改进，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，简化图像增强算法，实现了低亮度彩色图像增强。
2、本算法仅需计算参数α的值，算法简明度提高，计算公式和运算过程简化。
3、本算法迭代次数仅由预定义迭代次数T决定，迭代过程收敛，缩短计算时间，图像增强效率提高。
4、本算法进一步发挥出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，具有较低失真率和较高准确率。
附图说明
图1是本发明图像增强方法的流程示意图；
图2是本发明图像增强方法的流程效果示意图；
图3是采用本发明图像增强算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的图像增强算法，其步骤如下：
步骤一：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，获得归一化的彩色图像Sij(norm)；
步骤二：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增强做好铺垫工作；
步骤三：提取每个像素点三个通道的最大值，并将所有像素合并为一个矩阵，组成最大强度图像；
步骤四：设定CA-SPCNN的预定义迭代次数T的值，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，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；
步骤五：设定CA-SPCNN模型的馈送输入、链接输入、内部活动项、点火条件和动态阈值，并将每次的迭代结果根据迭代次数合并为一个最终结果Sac，算法如下：
Fij[n]＝Sij
Eij[n]＝e-2αEij[n-1]+Kn+VLTYij[n]
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；
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；
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；
动态阈值Eij[n]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；
步骤六：根据CA-SPCNN模型得到的结果Sac，设定数值转换结果Str，公式如下：
其中，a1和a2是权重因子，且a1+a2＝1；
步骤七：计算最终的图像增强结果Sfin，算法如下式所示：
其中，Sen1、Sen2和Sen3分别是归一化图像Sij(norm)在红、绿和蓝通道的灰度图像。
步骤一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。
步骤四中CA-SPCNN的预定义迭代次数T的值设定为128，即设定的算法想要的迭代次数为128。
步骤五中，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。
请参阅图2，图2是本发明图像增强方法的流程效果示意图，采用本发明算法得到的最终增强图像与原始图像进行对比，最终增强图像从主观感受上较原始图像有明显增强，本算法能有效实现低亮度图像的图像增强功能。
本发明与SRIE算法、PLE算法的图像增强效果进行对比实验。
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。
(1)采用三种方法进行图像增强后的效果对比。
如图3所示，图3是采用本发明图像增强算法与其他算法的效果对比图，其中子图a1为原始图像，子图a2为SRIE算法得到的增强图像，子图a3为PLE算法得到的增强图像，子图a4为本发明低亮度图像增强算法得到的增强图像。
本发明低亮度图像增强方法将预定义迭代次数T设定为128，图像增强结果相比原始图像从主观感受上有明显增强，本发明增强图像算法的客观评价值明显强于其他增强算法，表明采用本发明提供算法获得的图像增强效果明显优于现有的SRIE算法和PLE算法。
(2)采用三种方法进行图像增强后的数据对比。
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)、绝对平均亮度差(AMBE)、结构相似度(SSIM)和运算时间(t)对增强效果进行比较评价。
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)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]；
评价指标绝对平均亮度差(AMBE)自于文献[S.Chen and A.R.Ramli,“Minimummean brightness error bi-histogram equalization in contrast enhancement,”IEEETrans.Consumer Electron.,vol.49,no.4,pp.1310–1319,2003]；
评价指标运算时间(t)来自于文献[S.Wang,J.Zheng,H.Hu,and B.Li,“Naturalness preserved enhancement algorithm for non-uniform illuminationimages,”IEEE Trans.Image Process.,vol.22,no.9,pp.3538–3548,2013]。
其中评价指标MSE、PSNR和AMBE用来评价原始图像和增强后图像之间的差别，MSE和AMBE值越大，PSNR值越小，两类图像的差别越大，反之亦然。SSIM用来测试两幅图像的相似性，其测量或者预测图像的质量是基于未压缩的或者无失真的图像作为参考的，该值越大，两幅图像的相似性越高。t用来测量增强算法的时间复杂度(单位为秒)，t值越小，时间复杂度越低，反之亦然。
本实验采用本发明图像增强算法、SRIE算法、PLE算法，来验证本发明图像增强算法的有效性，实验数据与如表1所示。
表1彩色图像增强结果评价指标对比表
| 算法 | MSE | PSNR | AMBE | SSIM | t |
| 本算法(T＝128) | 0.0158 | 42.8929 | 0.1044 | 0.7409 | 1.6161 |
| SRIE算法 | 0.0164 | 42.7336 | 0.1031 | 0.7184 | 32.0141 |
| PLE算法 | 0.0193 | 41.9119 | 0.1151 | 0.7242 | 3.1196 |
从表1的彩色图像增强结果评价指标数据可以看出，本发明低亮度图像增强算法的评价指标MSE、PSNR和SSIM为四种算法中最好的，这主要因为CA-SPCNN模型能够根据实际情况调整低亮度区域的像素值，保证低亮度区域亮度有明显增强，高亮度区域亮度变化不大。评价指标AMBE的值高于SRIE算法且低于PLE算法的评价值，这表明本发明图像增强前后的评价结果具有较高的相似性，图像增强效果较好。本发明图像增强算法的时间复杂度评价指标t的值明显低于其他评价方法，表明本发明算法的计算复杂度远低于其他算法。
综上所述，本发明提供的一种基于CA-SPCNN的图像增强算法，对原有SPCNN算法加以改进，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，相对于现有算法，本发明图像增强只需七个步骤和六种算法，算法简明度提高，计算公式和运算过程简化，实现了低亮度彩色图像增强；迭代次数仅由预定义迭代次数T决定，迭代过程收敛，缩短计算时间，图像增强效率提高；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，具有较低失真率和较高准确率。
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的图像增强算法，其特征在于，所述基于CA-SPCNN的图像增强算法的步骤如下：
步骤一：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；
步骤二：将彩色图像分为红，绿和蓝三个通道的灰度子图像；
步骤三：提取每个像素点三个通道的最大值，并将所有像素合并为一个矩阵，组成最大强度图像；
步骤四：设定CA-SPCNN的预定义迭代次数T的值，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，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；
步骤五：设定CA-SPCNN模型的馈送输入、链接输入、内部活动项、点火条件和动态阈值，并将每次的迭代结果根据迭代次数合并为一个最终结果Sac，算法如下：
Fij[n]＝Sij
Eij[n]＝e-2αEij[n-1]+Kn+VLTYij[n]
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；
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；
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；
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；
动态阈值Eij[n]的变化主要受到参数V和α的影响；
步骤六：根据CA-SPCNN模型得到的结果Sac，设定数值转换结果Str，公式如下：
其中，a1和a2是权重因子，且a1+a2＝1；
步骤七：计算最终的图像增强结果Sfin，算法如下式所示：
其中，Sen1、Sen2和Sen3分别是归一化图像Sij(norm)在红、绿和蓝通道的灰度图像。
2.根据权利要求1所述的一种基于CA-SPCNN的图像增强算法，其特征在于，所述步骤一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。
3.根据权利要求1所述的一种基于CA-SPCNN的图像增强算法，其特征在于，所述步骤四中CA-SPCNN的预定义迭代次数T的值设定为128。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911257028.2A CN110969590B (zh) | 2019-12-10 | 2019-12-10 | 一种基于ca-spcnn的图像增强算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911257028.2A CN110969590B (zh) | 2019-12-10 | 2019-12-10 | 一种基于ca-spcnn的图像增强算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969590A CN110969590A (zh) | 2020-04-07 |
| CN110969590B true CN110969590B (zh) | 2022-05-27 |
Family
ID=70033504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911257028.2A Active CN110969590B (zh) | 2019-12-10 | 2019-12-10 | 一种基于ca-spcnn的图像增强算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969590B (zh) |
Families Citing this family (2)
| 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 |
| CN115861359B (zh) * | 2022-12-16 | 2023-07-21 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005070000A2 (en) * | 2004-01-23 | 2005-08-04 | Old Dominion University Research Foundation | Color image characterization, enhancement and balancing process |
| CN103345732A (zh) * | 2013-07-26 | 2013-10-09 | 电子科技大学 | 基于Contourlet变换的PCNN图像增强算法及装置 |
| CN106709497A (zh) * | 2016-11-16 | 2017-05-24 | 北京理工大学 | 一种基于pcnn的红外运动弱小目标检测方法 |
| CN107507138A (zh) * | 2017-07-27 | 2017-12-22 | 北京大学深圳研究生院 | 一种基于Retinex模型的水下图像增强方法 |
| CN110276776A (zh) * | 2019-06-17 | 2019-09-24 | 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 CN201911257028.2A patent/CN110969590B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005070000A2 (en) * | 2004-01-23 | 2005-08-04 | Old Dominion University Research Foundation | Color image characterization, enhancement and balancing process |
| CN103345732A (zh) * | 2013-07-26 | 2013-10-09 | 电子科技大学 | 基于Contourlet变换的PCNN图像增强算法及装置 |
| CN106709497A (zh) * | 2016-11-16 | 2017-05-24 | 北京理工大学 | 一种基于pcnn的红外运动弱小目标检测方法 |
| CN107507138A (zh) * | 2017-07-27 | 2017-12-22 | 北京大学深圳研究生院 | 一种基于Retinex模型的水下图像增强方法 |
| CN110276776A (zh) * | 2019-06-17 | 2019-09-24 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969590A (zh) | 2020-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | Learning a no-reference quality assessment model of enhanced images with big data | |
| Kang et al. | Convolutional neural networks for no-reference image quality assessment | |
| Zhan et al. | Linking synaptic computation for image enhancement | |
| CN109685814B (zh) | 基于mspcnn的胆囊结石超声图像全自动分割方法 | |
| CN110969590B (zh) | 一种基于ca-spcnn的图像增强算法 | |
| CN114926459B (zh) | 图像质量评价方法、系统及计算机可读介质 | |
| CN111080568A (zh) | 一种基于Tetrolet变换的近红外与彩色可见光图像融合算法 | |
| CN111260591A (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
| Qi et al. | A new heterogeneous neural network model and its application in image enhancement | |
| CN114897882A (zh) | 一种基于加权平均曲率滤波分解的遥感图像融合方法 | |
| Pham et al. | End-to-end image patch quality assessment for image/video with compression artifacts | |
| Yang et al. | A study of sine–cosine oscillation heterogeneous PCNN for image quantization | |
| CN110889876B (zh) | 一种基于ca-spcnn算法的彩色图像量化方法 | |
| CN115222725B (zh) | 一种基于nsct域pcrgf与双通道pcnn医学图像融合方法 | |
| 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 | |
| Zhang et al. | Muti-scale image enhancement based on properties of human visual system | |
| Jian et al. | Multi-source image fusion algorithm based on fast weighted guided filter | |
| Hernández-Cámara et al. | Neural Networks with Divisive normalization for image segmentation with application in cityscapes dataset | |
| CN108133467B (zh) | 基于粒计算的水下图像增强系统及增强方法 | |
| CN116664462B (zh) | 一种基于ms-dsc和i_cbam的红外和可见光图像融合方法 | |
| Lian et al. | A Pulse-Number-Adjustable MSPCNN and Its Image Enhancement Application | |
| Wang et al. | Medical image fusion based on modified pulse coupled neural network model and kirsch operator | |
| Liu et al. | An improved combination of image denoisers using spatial local fusion strategy | |
| CN115222724B (zh) | 一种基于nsst域混合滤波与ed-pcnn的医学图像融合方法 |
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 |