CN112330637A - 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法 - Google Patents

一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法 Download PDF

Info

Publication number
CN112330637A
CN112330637A CN202011236899.9A CN202011236899A CN112330637A CN 112330637 A CN112330637 A CN 112330637A CN 202011236899 A CN202011236899 A CN 202011236899A CN 112330637 A CN112330637 A CN 112330637A
Authority
CN
China
Prior art keywords
neural network
pixel
image
skeletal muscle
pulse
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.)
Pending
Application number
CN202011236899.9A
Other languages
English (en)
Inventor
王沫楠
王海滨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202011236899.9A priority Critical patent/CN112330637A/zh
Publication of CN112330637A publication Critical patent/CN112330637A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法，该方法包括以下步骤：首先，求解动态阈值的振幅VE与连接系数β；其次，将需要处理的图像中，感兴趣的区域的像素阈值代入目标优化的公式中，输出结果为馈电输入的指数衰减因子kf；最后，通过kf与漏积器的指数衰减因子ke之间的关系，求解ke。本发明与目前流行的脉冲耦合神经网络方案相比，使用更少的参数设置次数并得到更好的处理效果。

Description

一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法
技术领域
本发明涉及图像处理领域，特别设计一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法。
背景技术
脉冲耦合神经网络在图像分割、图像阴影去除、图像融合、特征提取、模式识别等图像处理领域得到了迅速发展。目前，标准脉冲耦合神经网络通常进行简化，以降低计算复杂度，同时保留视觉皮层的基本属性。
由于脉冲耦合神经网络方法继承了哺乳动物视觉皮层的特征，因此模型参数代表了神经元的特性。PCNN方法的主要问题是难以建立神经元属性与图像结果之间的关系。这种困难是由于脉冲耦合神经网络网络参数的抽象化造成的。处理结果的质量在很大程度上依赖于脉冲耦合神经网络参数的合适值。目前主要有两种方法，一种是实验方法，另一种是参数自动设置方法。对自动参数设置。这两种方法都不能改变脉冲耦合神经网络网络参数的抽象性。这也是脉冲耦合神经网络网络参数难以设置的一个重要原因。因此本发明提出了一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法，以解决上述问题。
发明内容
针对上述现有技术中存在的缺陷或不足，本发明提出基于像素值的脉冲耦合神经网络，解决现有脉冲耦合神经网络参数设置困难的问题，包括步骤如下：
步骤1，求解动态阈值的振幅VE与连接系数β；
步骤2，将需要处理的图像中，感兴趣的区域的像素阈值代入目标优化的公式中，输出结果为馈电输入的指数衰减因子kf；
步骤3，通过kf与漏积器的指数衰减因子ke之间的关系，求解ke。
优选的，所述步骤1具体包括：
Figure BDA0002766997180000011
Figure BDA0002766997180000012
Smax是图像中的像素最大值，S'通过大津法获得。
优选的，所述步骤2中目标优化的公式具体为：
Figure BDA0002766997180000013
其中，
Figure BDA0002766997180000014
Figure BDA0002766997180000021
S1、S2是感兴趣区域的像素阈值。
优选的，所述步骤3中kf与ke之间的关系具体为：
Figure BDA0002766997180000022
其中，
Figure BDA0002766997180000023
Figure BDA0002766997180000024
是(n+2)维的向量，
Figure BDA0002766997180000025
是n维的向量，Z是(n+2)×n的矩阵，n是所输入的像素阈值的个数。
附图说明
本发明的优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的基于像素值的脉冲耦合神经网络的结构框图；
图2a为原始图像，图2b为手动分割图像；
图3为对应处理结果图。
具体实施方式
下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。
结合图1所示，本发明主要包括三个主要步骤：
步骤1，求解动态阈值的振幅VE与连接系数β；
步骤2，将需要处理的图像中，感兴趣的区域的像素阈值代入目标优化的公式中，输出结果为馈电输入的指数衰减因子kf；
步骤3，通过kf与漏积器的指数衰减因子ke之间的关系，求解ke。
优选的，所述步骤1具体包括：
Figure BDA0002766997180000031
Figure BDA0002766997180000032
Smax是图像中的像素最大值，S'通过大津法获得。具体地说，在实际应用脉冲耦合神经网络的同时，较多的参数设置以及合适的数值选择是较难解决的，通过自适应方法来完成部分参数的设置，从而便于脉冲耦合神经网络的应用。
优选的，所述步骤2中目标优化的公式具体为：
Figure BDA0002766997180000033
其中，
Figure BDA0002766997180000034
Figure BDA0002766997180000035
S1、S2是感兴趣区域的像素阈值。通过设置S1、S2，可以将感兴趣的区域进行分割，每部分像素区域的值域如下：
区域1:Smax＞s≥S1
区域2:S1＞s≥S2
区域3:S2＞s
因此只要确定感兴趣的区域的像素值范围，即可完成脉冲耦合神经网络的选值。由于脉冲耦合神经网络是基于小型哺乳动物视觉皮层神经细胞信号传导特性的研究产生的一种生物神经网络视觉模型，它本身就具有对图像的完美股份个作用，而本发明中在这一特性的基础上，简化了参数设置，并且跟需要处理的图像的像素特性相关联，大大提高了分割的特性，增强了其分割感兴趣区域的优点。在计算步骤2中目标优化的具体公式时，选择SCA算法进行求解。
本发明是在简化脉冲耦合神经网络基础上进行优化的，该网络由三部分组成：内部活动，动态阈值以及脉冲生成。
内部活动项为，
Figure BDA0002766997180000036
动态阈值为，
Eij[n]＝keEij[n-1]+VEYij[n]
脉冲输出为，
Figure BDA0002766997180000041
这里S表示输入激励，通常是点(i，j)的像素灰度值，每个像素对应一个神经元；U对应神经元内部活动项，Y和E分别是神经元的输出和动态阈值，W对应神经元的内部链接矩阵，n代表迭代次数，(k，l)代表W邻域矩阵的坐标值。脉冲输出部分说明神经元的输出只有0、1值，当内部活动项U大于此时的动态阈值E则输出1，反之，则输出0.因此脉冲耦合神经网络每次迭代的输出图像是二值图像。各神经元对应的阈值E按照动态阈值部分公式按照指数规律衰减。由内部活动项可以知道，内部活动项由输入激励，周围神经元的输出以及上次神经元的内部活动项共同决定。当前像素和周围像素之间的相互作用的大小可通过β调节。由于脉冲耦合神经网络的连接特性，舍得当某一神经元的内部活动项大于动态阈值而输出脉冲1时，该神经元周围W邻域内具有近似输入激励的其他神经元在下次迭代时，受连接输入的影响也被激活输出脉冲。
优选的，所述步骤3中kf与ke之间的关系具体为：
Figure BDA0002766997180000042
其中，
Figure BDA0002766997180000043
Figure BDA0002766997180000044
是(n+2)维的向量，
Figure BDA0002766997180000045
是n维的向量，Z是(n+2)×n的矩阵，n是所输入的像素阈值的个数。
本发明方案在进行图像显著目标检测时，可以得到相比于目前流行的脉冲耦合神经网络方案更少的参数设置次数和更好的处理效果。
实验以一幅经典的目标显著性检测图像为例进行相应的处理。
图2a为原图像，图2b为手动分割图像，图3为处理结果示意图。
下表1是图2a中原图像的处理结果。
表1.本发明的一个实施例的处理结果
Figure BDA0002766997180000046
通过实验得出，本方案与目前流行的脉冲耦合神经网络方案更少的参数设置次数和更好的处理效果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (4)

1.一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法，其特征在于，该方法主要包括：
步骤1，求解动态阈值的振幅VE与连接系数β；
步骤2，将需要处理的图像中，感兴趣的区域的像素阈值代入目标优化的公式中，输出结果为馈电输入的指数衰减因子kf；
步骤3，通过kf与漏积器的指数衰减因子ke之间的关系，求解ke。
2.根据权利要求1所述的一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法，其特征在于，所述求解VE，β具体为：
Figure FDA0002766997170000011
Figure FDA0002766997170000012
Smax是图像中的像素最大值，S'通过大津法获得。
3.根据权利要求1所述的一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法，其特征在于，所述目标优化的公式具体为：
Figure FDA0002766997170000013
其中，
Figure FDA0002766997170000014
Figure FDA0002766997170000015
S1、S2是感兴趣区域的像素阈值。
4.根据权利要求1所述的一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法，其特征在于，所述kf与ke之间的关系具体为：
Figure FDA0002766997170000016
其中，
Figure FDA0002766997170000021
Figure FDA0002766997170000022
是n+2维的向量，
Figure FDA0002766997170000023
是n维的向量，Z是(n+2)×n的矩阵，n是所输入的像素阈值的个数。
CN202011236899.9A 2020-11-09 2020-11-09 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法 Pending CN112330637A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011236899.9A CN112330637A (zh) 2020-11-09 2020-11-09 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011236899.9A CN112330637A (zh) 2020-11-09 2020-11-09 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法

Publications (1)

Publication Number Publication Date
CN112330637A true CN112330637A (zh) 2021-02-05

Family

ID=74316876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011236899.9A Pending CN112330637A (zh) 2020-11-09 2020-11-09 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法

Country Status (1)

Country Link
CN (1) CN112330637A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001004826A1 (en) * 1999-07-07 2001-01-18 Renishaw Plc Neural networks
CN101546430A (zh) * 2009-04-30 2009-09-30 上海大学 基于简化型脉冲耦合神经网络的边缘提取方法
CN106296702A (zh) * 2016-08-15 2017-01-04 中国农业科学院农业信息研究所 自然环境下棉花图像分割方法及装置
CN106789214A (zh) * 2016-12-12 2017-05-31 广东工业大学 一种基于正余双弦算法的网络态势感知方法及装置
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
CN107274425A (zh) * 2017-05-27 2017-10-20 三峡大学 一种基于脉冲耦合神经网络的彩色图像分割方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001004826A1 (en) * 1999-07-07 2001-01-18 Renishaw Plc Neural networks
CN101546430A (zh) * 2009-04-30 2009-09-30 上海大学 基于简化型脉冲耦合神经网络的边缘提取方法
CN106296702A (zh) * 2016-08-15 2017-01-04 中国农业科学院农业信息研究所 自然环境下棉花图像分割方法及装置
CN106789214A (zh) * 2016-12-12 2017-05-31 广东工业大学 一种基于正余双弦算法的网络态势感知方法及装置
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
CN107274425A (zh) * 2017-05-27 2017-10-20 三峡大学 一种基于脉冲耦合神经网络的彩色图像分割方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YULI CHEN ET AL: "A New Automatic Parameter Setting Method of a", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 *

Similar Documents

Publication Publication Date Title
CN110232661B (zh) 基于Retinex和卷积神经网络的低光照彩色图像增强方法
CN109035189B (zh) 基于柯西模糊函数的红外与弱可见光图像融合方法
Hasikin et al. Adaptive fuzzy contrast factor enhancement technique for low contrast and nonuniform illumination images
CN111242063B (zh) 基于迁移学习的小样本分类模型构造方法及虹膜分类应用
CN106228512A (zh) 基于学习率自适应的卷积神经网络图像超分辨率重建方法
CN111915513B (zh) 一种基于改进的自适应神经网络的图像去噪方法
CN109919880A (zh) 一种基于粒子群优化的红外图像增强方法
CN112308803B (zh) 一种基于深度学习的自监督低照度图像增强及去噪方法
He et al. Color transfer pulse-coupled neural networks for underwater robotic visual systems
Jayaram et al. Fuzzy inference system based contrast enhancement
Li et al. A new image fusion algorithm based on wavelet packet analysis and PCNN
Hanmadlu et al. A novel optimal fuzzy color image enhancement using particle swarm optimization
CN104616252B (zh) 基于nsct和pcnn的数字图像增强方法
Srinivasan et al. Adaptive contrast enhancement using local region stretching
Wu et al. DMEF: Multi-exposure image fusion based on a novel deep decomposition method
WO2020107308A1 (zh) 一种基于Retinex的微光图像快速增强方法及其装置
Zhu et al. Image enhancement using fuzzy intensity measure and adaptive clipping histogram equalization
CN117078516B (zh) 基于残差混合注意力的矿井图像超分辨率重建方法
CN112330637A (zh) 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法
Hanumantharaju et al. A particle swarm optimization method for tuning the parameters of multiscale retinex based color image enhancement
CN114638764B (zh) 基于人工智能的多曝光图像融合方法及系统
Ma et al. A novel algorithm of image enhancement based on pulse coupled neural network time matrix and rough set
CN113781333A (zh) 一种基于引导滤波的gan网络对水下图像进行处理的方法
CN113177904A (zh) 一种图像融合方法及系统
CN114240802A (zh) 基于生物神经元网络和随机共振的视觉感知方法及系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210205