CN111815640B - 一种基于忆阻器的rbf神经网络医学图像分割算法 - Google Patents
一种基于忆阻器的rbf神经网络医学图像分割算法 Download PDFInfo
- Publication number
- CN111815640B CN111815640B CN202010706438.7A CN202010706438A CN111815640B CN 111815640 B CN111815640 B CN 111815640B CN 202010706438 A CN202010706438 A CN 202010706438A CN 111815640 B CN111815640 B CN 111815640B
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- memristor
- medical image
- algorithm
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于忆阻器的RBF神经网络医学图像分割算法,包括获取医学图像的空间信息与灰度值信息,建立神经网络主体,通过忆阻RBF神经网络的训练算法,结束训练后,网络节点的数据传输权值将作为忆阻器的忆阻值被存储于忆阻器中,本专利有效地提高RBF神经网络的图像分割效果,提升误差收敛速度并有效降低神经网络的规模与复杂度;提高了神经网络的图像分割效果,提升了训练误差收敛速度。
Description
技术领域
本发明涉及一种人工神经网络算法,具体涉及一种基于忆阻器的RBF神经网络医学图像分割算法。
背景技术
医学图像分割作为计算机视觉领域中的一个重要研究方向,其主要功能是对医学成像设备所输出的数字图像进行区域划分。它通过转化图像的展现形式,使得图像更加易于理解或凸显某些图像的特征信息,以便于后期的研究与处理。图像分割方法可以分为以下几类:
(1)基于阈值的分割:通过阈值对不同的物体进行分割。
阈值分割是最常见的并行直接检测区域的分割方法。如果只用选取一个阈值称为单阈值分割,它将图像分为目标和背景;如果需用多个阈值则称为多阈值方法,图像将被分割为多个目标区域和背景,为区分目标,还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设:目标或背景内的相邻像素间的灰度值是相似的,但不同目标或背景的像素在灰度上有差异,反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷,从而将各个峰分开。阈值选取的几种方法为直方图阈值分割法、类间方差阈值分割法、二维最大熵值分割法和模糊阈值分割法。
(2)基于边缘的分割:先确定边缘像素,并把它们连接在一起,以构成所需的边界。
基于边缘的分割方法可以说是人们最早研究的方法,基于在区域边缘上的像素灰度值的变化往往比较剧烈,它试图通过检测不同区域间的边缘来解决图像分割问题。边缘检测技术可以按照处理的技术分为串行边缘检测以及并行边缘检测。所谓串行边缘检测是指:要想确定当前像素点是否属于欲检测边缘上的一点,取决于先前像素的验证结果;而在并行边缘检测技术中,一个像素点是否属于检测边缘上的一点取决于当前正在检测的像素点以及该像素点的一些相邻像素点,这样该模型可以同时用于图像中的所有像素点,因而称之为并行边缘检测技术。根据灰度变化的特点,常见的边缘可分为跃阶型、房顶型和凸缘型。
边缘检测分为三类:点检测、线检测和边缘检测。点检测是检测图像中孤立的点,线检测主要是哈夫变换,利用图像全局特性而直接检测目标轮廓,即可将边缘像素连接起来组成区域封闭边界的常用方法。边缘检测依据两个具有不同灰度值的相邻区域之间总存在边缘,边缘检测算子很多,如梯度算子,方向算子,拉普拉斯算子,马尔算子,综合正交算子,坎尼算子等。
(3)基于区域的分割:把各像素划归到各个物体或区域中图像分割-把图像分解为若干个有意义的子区域,而这种分解-基于物体有平滑均匀的表面,与图像中强度恒定或缓慢变化的区域相对应,即每个子区域都具有一定的均匀性质前面所讨论的边缘、阈值,没有明显使用分割定义中的均匀测度度量区域分割-直接根据事先确定的相似性准则,直接取出若干特征相近或相同象素组成区域。常用的区域分割-区域增长(区域生长)、区域分裂-合并方法等。
区域生长和分裂合并是两种典型的串行区域分割方法。其特点是将分割过程分解为顺序的多个步骤,其中后续步骤要根据前面步骤的结果进行判断而确定。
区域生长的基本思想是将具有相似性质的像素集合起来构成区域,该方法需要先选取一个种子点,然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域生长算法的研究重点一是特征度量和区域增长规则的设计,二是算法的高效性和准确性。区域增长方式的优点是计算简单。与阈值分割类似,区域增长也很少单独使用,往往是与其他分割方法一起使用,特别适用于分割小的结构如肿瘤和伤疤。区域生长的缺点是它需要人工交互以获得种子点,这样使用者必须在每个需要抽取出的区域中植入一个种子点。同时,区域增长方式也对噪声敏感,导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来。为解决这些问题,J.F.Mangin等提出了一种同伦的区域生长方式,以保证初始区域和最终抽取出的区域的拓扑结构相同。Shu-Yen Wan等提出的对称区域增长算法有效地弥补了原算法对种子点敏感和占用内存多的弱点,而且对3D连接对象标记和删除空洞的算法效率较高。另外,模糊连接度方法与区域增长相结合也是一个发展方向。
区域生长方法将图像以像素为基本单位来进行操作。主要方法可以基于区域灰度差,基于区域内灰度分布统计性质,或基于区域形状。
分裂合并方法利用图像数据的金字塔或四叉树结构的层次概念,将图像划分为一组任意不相交的初始区域,即可以从图像的这种金字塔或四叉树数据结构的任一中间层开始,根据给定的均匀性检测准则,进行分裂和合并这些区域,逐步改善区域划分的性能,知道最后将图片分成数量最少的均匀区域为止。
(4)模糊聚类算法
大多数的医学图像具有模糊性,图像质量低、噪声大。模糊聚类法将模糊集理论与聚类算法相结合,模糊集理论对图像的不确定性具备较好描述能力,将此特点结合到分类中,应用到医学图像分割领域。该方法不是以“一刀切”的方式将像素点硬性分到某一区域,而是引入模糊理论中“隶属度”的概念,将像素点分到隶属程度高的区域中去,提高分割的准确率。目前最常用的是模糊C-均值算法(FCM),该算法通过两次迭代得到最优边界。
(5)基于小波变换的方法
小波变换是对Fourier分析的继承与发展,利用小波变换进行医学图像分割的基本方法是通过小波变换将图像直方图分解成不同级别的系数,用尺度控制并依照小波系数和给定的分割准则来选择阈值。小波变换在较大尺度上由噪音引起的细小突变较少,容易描述医学图像信号的整体行为,可检测出医学图像灰度值变化较大的轮廓,因此可以通过在不同尺度下逐步确定阈值来处理医学图像。
现有技术存在的缺陷:
(1)基于阈值的分割:阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像,对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。另外,由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息,阈值分割对噪声和灰度不均匀很敏感。(2)基于边缘分割;对于常见的边缘检测算法而言,简单图像的边缘通常具有较好的分割效果,但是对于具有复杂边缘轮廓的图像而言,上述算法的分割效果较差,且对于具有背景噪音的图像,边缘分割算法无法正确的划分出图像的边缘轮廓。(3)基于区域分割该类算法属于有监督算法,这就意味着在进行图像分割之前,需要人工为算法选定好初始种子点。这样就导致了算法效率的底下,而且这类算法对于图像噪声敏感。(4)模糊聚类算法该类算法虽然对图像噪音不敏感,但是该类算法也属于有监督算法,为了得到较好的分割效果,需要人为给定初始搜索点,而且上述算法对于具有复杂边缘的图像分割效果较差。(5)小波变换算法该算法的主要缺点在于小波基向量的选取较为困难,算法可实现性较差。
发明内容
发明目的:本发明目的在于针对现有技术的不足,提供一种基于忆阻器的RBF神经网络医学图像分割算法。
技术方案:本发明所述的方法包括以下步骤:
S1、获取医学图像的空间信息与灰度值信息;
S2、将忆阻器作为神经网络计算节点,并将上述节点按照层间全连接、层内无连接的方式进行构建,从而构成一个忆阻节点矩阵,上述节点矩阵为神经网络主体;
S3、根据所输入的训练数据,利用k-means均值算法确定隐层节点数目和激活函数中心点;
S4、在确定了隐层节点数目与激活函数中心点后,将准备好的训练数据输入神经网络中进行忆阻RBF神经网络的训练,步骤如下:
s41、选择适当数量的医学成像数据作为训练样本,构成训练样本集Ω=[x1,x2,…,xn];
s42、确定隐含层节点数目k,首轮训练时,随机选取k个聚类中心ci,i=1,2,…,k,并设置最大训练数;
s43、计算输入信号通过各隐层神经元后的输出值outi,即:
s44、根据公式所推导的传输权值,来计算神经网络的输出值yi:
其中w和W均为忆阻神经网络的权值数据,w为单独变量的表示方法,W为w的矩阵形式,α为上述权值数据更新公式的学习率,为网络模型的训练误差值,为三次非线性忆阻器忆阻值计算公式,为RBF隐层激活函数,其中σ为激活常数,cj为激活函数的中心偏移量,xi为网络隐层的训练结果值,a、b为常量参数;s45、将计算神经网络的输出值yi与真实值进行比较,判断是否满足训练终止条件;若不满足终止条件,则继续下一步计算,否则终止训练;
s46、依据步骤s44来更新网络传输权值,更新完毕后,继续新一轮的训练过程;
S5、结束整个训练过程后,网络节点的数据传输权值将作为忆阻器的忆阻值被存储于忆阻器中。
作为本发明的进一步改进,在步骤s45中,终止条件为:当系统的训练误差值小于训练之初所设定的目标误差值后,或训练次数达到了最大训练次数后,结束整个训练过程。
作为本发明的进一步改进,在步骤S3中,利用k-means算法,首先针对训练样本数据集进行聚类处理,在得到了聚类结果后,将上述聚类数目作为确定神经网络隐层节点的数目的依据,并将上述聚类中心点位置作为隐层神经元的激活函数中心点坐标,其中,通过k-means算法,初始中心点随机选取,循环根据欧式距离计算公式来计算类内距离与类间距离,并按照距离最小的方向动态调整聚类中心,直到保证类内距离最小而类间距离最大后停止。
作为本发明的进一步改进,在步骤S1中具体获取方法如下:医学图像的空间信息包括对应像素点的空间坐标值,医学图像的灰度值信息包括图像中所对应位置处的灰度值;将医学图像中的坐标点及与之对应的坐标点处的图像像素值进行提取,将提取出的坐标点信息与图像灰度数据进行向量化形成一列向量,上述向量将作为忆阻神经网络的训练输入数据。
有益效果:专利将三次非线性忆阻器模型作为神经突触模拟器件引入到传统RBF神经网络当中,提出了一种具有非线性信号传输特征的新型神经网络拓扑结构,有效地提高RBF神经网络的图像分割效果,提升误差收敛速度并有效降低神经网络的规模与复杂度;提高了神经网络的图像分割效果,提升了训练误差收敛速度。
附图说明
图1为本发明的实施例中忆阻神经网络的硬件连接结构示意图。
图2为本发明的误差曲线图。
图3为本发明的忆阻RBF神经网络分割结果图。
图4为本发明的标准RBF神经网络分割结果图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
一种基于忆阻器的RBF神经网络医学图像分割算法,包括以下步骤:
S1、获取医学图像的空间信息与灰度值信息,具体获取方法如下:医学图像的空间信息包括对应像素点的空间坐标值,医学图像的灰度值信息包括图像中所对应位置处的灰度值;将医学图像中的坐标点及与之对应的坐标点处的图像像素值进行提取,将提取出的坐标点信息与图像灰度数据进行向量化形成一列向量,上述向量将作为忆阻神经网络的训练输入数据;具体的,医学图像的空间信息包括对应像素点的空间坐标值(X,Y),医学图像的灰度值信息包括图像中所对应位置处的灰度值(0~255);
S2、将忆阻器作为神经网络计算节点,并将上述节点按照层间全连接、层内无连接的方式进行构建,从而构成一个忆阻节点矩阵,上述节点矩阵为神经网络主体;具体的神经网络节点数目设为21个,组成形式为3*7的忆阻器阵列矩阵;
S3、根据所输入的训练数据,利用k-means均值算法确定隐层节点数目和激活函数中心点;具体方法如下:利用k-means算法,首先针对训练样本数据集进行聚类处理,在得到了聚类结果后,将上述聚类数目作为确定神经网络隐层节点的数目的依据,并将上述聚类中心点位置作为隐层神经元的激活函数中心点坐标,其中,通过k-means算法,初始中心点随机选取,循环根据欧式距离计算公式来计算类内距离与类间距离,并按照距离最小的方向动态调整聚类中心,直到保证类内距离最小而类间距离最大后停止;
S4、在确定了隐层节点数目与激活函数中心点后,将准备好的训练数据输入神经网络中进行忆阻RBF神经网络的训练,步骤如下:
s41、选择适当数量的医学成像数据作为训练样本,构成训练样本集Ω=[x1,x2,…,xn];
s42、确定隐含层节点数目k,首轮训练时,随机选取k个聚类中心ci,i=1,2,…,k,并设置最大训练数;
s43、计算输入信号通过各隐层神经元后的输出值outi,即:
s44、根据公式所推导的传输权值,来计算神经网络的输出值yi:
其中w和W均为忆阻神经网络的权值数据,w为单独变量的表示方法,W为w的矩阵形式,α为上述权值数据更新公式的学习率,为网络模型的训练误差值,为三次非线性忆阻器忆阻值计算公式,为RBF隐层激活函数,其中σ为激活常数,cj为激活函数的中心偏移量,xi为网络隐层的训练结果值,a、b为常量参数;在本专利中,σ的取值为0.15,在本专利中进行随机数取值赋值,整个网络的训练拟合误差目标值为0.00001,a的值设为0.05,b的值为0.3;
s45、将计算神经网络的输出值yi与真实值进行比较,判断是否满足训练终止条件;若不满足终止条件,则继续下一步计算,否则终止训练;终止条件为:当系统的训练误差值小于训练之初所设定的目标误差值后,或训练次数达到了最大训练次数后,结束整个训练过程;
s46、依据步骤s44来更新网络传输权值,更新完毕后,继续新一轮的训练过程;
S5、结束整个训练过程后,网络节点的数据传输权值将作为忆阻器的忆阻值被存储于忆阻器中。
有益效果:专利将三次非线性忆阻器模型作为神经突触模拟器件引入到传统RBF神经网络当中,提出了一种具有非线性信号传输特征的新型神经网络拓扑结构,有效地提高RBF神经网络的图像分割效果,提升误差收敛速度并有效降低神经网络的规模与复杂度;提高了神经网络的图像分割效果,提升了训练误差收敛速度。
传统计算机分析图像是一个高耗能的过程,随着对图像处理的要求越来越高,导致对计算机的硬件要求也逐步提高,但是随着硬件性能的提高,使得计算机系统变得越发庞大,能耗也逐渐增大。该网络因难以通过硬件电路实现等缺憾,使其进一步的推广应用受到限制。通过将忆阻器引入神经网络,使其在充当信号传输通路的同时,可以同时存储计算数据,这样就突破了以往传统计算机构型数据运算过程与存取过程相分离的局限性。提高了数据的处理速度。
为验证本发明专利之有效性,进行了医学MRI图片的灰白质分割实验。本实验采用Matlab2015b作为仿真实验环境,实验计算机为IntelCoreI7 CPU,内存16G,显卡型号为AMDR370,操作系统为Mac OS。
依据本文前述神经网络训练算法,对训练样本集进行了训练。每个训练样本最大训练迭代次数为10000次,目标训练误差为。忆阻RBF神经网络的平均迭代次数为50次。作为对比,同时通过标准RBF神经网络对训练样本集进行了训练,最大迭代次数与目标训练误差保持不变。标准RBF神经网络的平均迭代次数为120次。误差曲线如图2所示。
将训练好的忆阻RBF神经网络及标准RBF神经网络,应用于测试数据的灰质分割当中,其图像分割效果如图3和图4所示:
结合误差曲线与最终的灰质分割结果来看,本文提出的忆阻RBF神经网络具有误差收敛速度快,分割效果好等特点。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (4)
1.一种基于忆阻器的RBF神经网络医学图像分割算法,其特征在于,包括以下步骤:
S1、获取医学图像的空间信息与灰度值信息;
S2、将忆阻器作为神经网络计算节点,并将上述节点按照层间全连接、层内无连接的方式进行构建,从而构成一个忆阻节点矩阵,上述节点矩阵为神经网络主体;
S3、根据所输入的训练数据,利用k-means均值算法确定隐层节点数目和激活函数中心点;
S4、在确定了隐层节点数目与激活函数中心点后,将准备好的训练数据输入神经网络中进行忆阻RBF神经网络的训练,步骤如下:
s41、选择适当数量的医学成像数据作为训练样本,构成训练样本集Ω=[x1,x2,…,xn];
s42、确定隐含层节点数目k,首轮训练时,随机选取k个聚类中心ci,i=1,2,…,k,并设置最大训练数;
s43、计算输入信号通过各隐层神经元后的输出值outi,即:
s44、根据公式所推导的传输权值,来计算神经网络的输出值yi:
其中w和W均为忆阻神经网络的权值数据,w为单独变量的表示方法,W为w的矩阵形式,α为上述权值数据更新公式的学习率,为网络模型的训练误差值,为三次非线性忆阻器忆阻值计算公式,为RBF隐层激活函数,其中σ为激活常数,cj为激活函数的中心偏移量,xi为网络隐层的训练结果值,a、b为常量参数;
s45、将计算神经网络的输出值yi与真实值进行比较,判断是否满足训练终止条件;若不满足终止条件,则继续下一步计算,否则终止训练;
s46、依据步骤s44来更新网络传输权值,更新完毕后,继续新一轮的训练过程;
S5、结束整个训练过程后,网络节点的数据传输权值将作为忆阻器的忆阻值被存储于忆阻器中。
2.按权利要求1所述的基于忆阻器的RBF神经网络医学图像分割算法,其特征在于:在步骤s45中,终止条件为:当系统的训练误差值小于训练之初所设定的目标误差值后,或训练次数达到了最大训练次数后,结束整个训练过程。
3.按权利要求1所述的基于忆阻器的RBF神经网络医学图像分割算法,其特征在于:在步骤S3中,利用k-means算法,首先针对训练样本数据集进行聚类处理,在得到了聚类结果后,将上述聚类数目作为确定神经网络隐层节点的数目的依据,并将上述聚类中心点位置作为隐层神经元的激活函数中心点坐标,其中,通过k-means算法,初始中心点随机选取,循环根据欧式距离计算公式来计算类内距离与类间距离,并按照距离最小的方向动态调整聚类中心,直到保证类内距离最小而类间距离最大后停止。
4.按权利要求1所述的基于忆阻器的RBF神经网络医学图像分割算法,其特征在于:在步骤S1中具体获取方法如下:医学图像的空间信息包括对应像素点的空间坐标值,医学图像的灰度值信息包括图像中所对应位置处的灰度值;将医学图像中的坐标点及与之对应的坐标点处的图像像素值进行提取,将提取出的坐标点信息与图像灰度数据进行向量化形成一列向量,上述向量将作为忆阻神经网络的训练输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706438.7A CN111815640B (zh) | 2020-07-21 | 2020-07-21 | 一种基于忆阻器的rbf神经网络医学图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706438.7A CN111815640B (zh) | 2020-07-21 | 2020-07-21 | 一种基于忆阻器的rbf神经网络医学图像分割算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815640A CN111815640A (zh) | 2020-10-23 |
CN111815640B true CN111815640B (zh) | 2022-05-03 |
Family
ID=72861599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010706438.7A Active CN111815640B (zh) | 2020-07-21 | 2020-07-21 | 一种基于忆阻器的rbf神经网络医学图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815640B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561891B (zh) * | 2020-12-18 | 2024-04-16 | 深圳赛安特技术服务有限公司 | 图像质量检测方法、装置、设备及存储介质 |
CN113516138B (zh) * | 2021-07-21 | 2022-07-29 | 中国民航大学 | 一种基于双模式忆阻桥突触电路的图像处理方法 |
CN114020239B (zh) * | 2021-11-02 | 2024-08-16 | 清华大学 | 数据处理方法及电子装置 |
CN116805370A (zh) * | 2022-03-15 | 2023-09-26 | 清华大学 | 图像识别方法、装置及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019003228A1 (en) * | 2017-06-27 | 2019-01-03 | Technion Research & Development Foundation Limited | NETWORK OF ARTIFICIAL NEURONS BASED ON DNA |
CN109416758A (zh) * | 2016-06-09 | 2019-03-01 | 前进公司 | 神经网络及神经网络训练的方法 |
CN110378193A (zh) * | 2019-05-06 | 2019-10-25 | 南京邮电大学 | 基于忆阻器神经网络的羊绒羊毛识别方法 |
CN110796241A (zh) * | 2019-11-01 | 2020-02-14 | 清华大学 | 基于忆阻器的神经网络的训练方法及其训练装置 |
CN111027619A (zh) * | 2019-12-09 | 2020-04-17 | 华中科技大学 | 一种基于忆阻器阵列的K-means分类器及其分类方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6889216B2 (en) * | 2002-03-12 | 2005-05-03 | Knowm Tech, Llc | Physical neural network design incorporating nanotechnology |
US9256823B2 (en) * | 2012-07-27 | 2016-02-09 | Qualcomm Technologies Inc. | Apparatus and methods for efficient updates in spiking neuron network |
WO2017139342A1 (en) * | 2016-02-08 | 2017-08-17 | Spero Devices, Inc. | Analog co-processor |
CA2977126A1 (en) * | 2016-08-23 | 2018-02-23 | Michael S. Clemmons | Distributed data gathering and recommendation in phytotherapy |
US11315009B2 (en) * | 2017-03-03 | 2022-04-26 | Hewlett Packard Enterprise Development Lp | Analog multiplier-accumulators |
EP3435378A1 (en) * | 2017-07-27 | 2019-01-30 | Universität Zürich | Differential memristive circuit |
-
2020
- 2020-07-21 CN CN202010706438.7A patent/CN111815640B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109416758A (zh) * | 2016-06-09 | 2019-03-01 | 前进公司 | 神经网络及神经网络训练的方法 |
WO2019003228A1 (en) * | 2017-06-27 | 2019-01-03 | Technion Research & Development Foundation Limited | NETWORK OF ARTIFICIAL NEURONS BASED ON DNA |
CN110378193A (zh) * | 2019-05-06 | 2019-10-25 | 南京邮电大学 | 基于忆阻器神经网络的羊绒羊毛识别方法 |
CN110796241A (zh) * | 2019-11-01 | 2020-02-14 | 清华大学 | 基于忆阻器的神经网络的训练方法及其训练装置 |
CN111027619A (zh) * | 2019-12-09 | 2020-04-17 | 华中科技大学 | 一种基于忆阻器阵列的K-means分类器及其分类方法 |
Non-Patent Citations (3)
Title |
---|
An improved design of RBF neural network control algorithm based on spintronic memristor crossbar array;Tianshu Li 等;《Neural Comput & Applic》;20161227;1-8 * |
Spiking neuro-fuzzy clustering system and its memristor crossbar based implementation;Mohammad Bavandpour 等;《Microelectronics Journal》;20141231;1-13 * |
基于改进忆阻细胞神经网络的彩色图像边缘提取;杨婷;《中国科学》;20170731;第47卷(第7期);863-877 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815640A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815640B (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
Zhang et al. | Plant disease leaf image segmentation based on superpixel clustering and EM algorithm | |
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
CN108052966B (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
Khan | Image segmentation techniques: A survey | |
Jain et al. | Learning to agglomerate superpixel hierarchies | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
CN101950364A (zh) | 基于邻域相似度和阈值分割的遥感图像变化检测方法 | |
CN115170805A (zh) | 一种结合超像素和多尺度分层特征识别的图像分割方法 | |
CN106919950B (zh) | 概率密度加权测地距离的脑部mr图像分割方法 | |
CN106157330A (zh) | 一种基于目标联合外观模型的视觉跟踪方法 | |
Yang et al. | Color texture segmentation based on image pixel classification | |
Zhang et al. | Polygon structure-guided hyperspectral image classification with single sample for strong geometric characteristics scenes | |
CN108846845A (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
Afshar et al. | Lung tumor area recognition in CT images based on Gustafson-Kessel clustering | |
CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
Bandyopadhyay et al. | A hybrid fuzzy filtering-fuzzy thresholding technique for region of interest detection in noisy images | |
Sarmiento et al. | Automatic breast cancer grading of histological images based on colour and texture descriptors | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN111539966A (zh) | 一种基于模糊c均值聚类的比色传感器阵列图像分割方法 | |
Elashry et al. | Feature matching enhancement using the graph neural network (gnn-ransac) | |
Zhang et al. | Recognition of crop leaf diseases based on multi-feature fusion and evolutionary algorithm optimisation | |
Srinivasan et al. | Segmentation techniques for target recognition | |
CN114677530A (zh) | 一种基于小波形状描述子的聚类算法有效性评价方法、设备及介质 |
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 |