CN115880324A - 基于脉冲卷积神经网络的战场目标图像阈值分割方法 - Google Patents
基于脉冲卷积神经网络的战场目标图像阈值分割方法 Download PDFInfo
- Publication number
- CN115880324A CN115880324A CN202111139663.8A CN202111139663A CN115880324A CN 115880324 A CN115880324 A CN 115880324A CN 202111139663 A CN202111139663 A CN 202111139663A CN 115880324 A CN115880324 A CN 115880324A
- Authority
- CN
- China
- Prior art keywords
- pulse
- neuron
- layer
- target image
- segmentation
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 210000002569 neuron Anatomy 0.000 claims abstract description 132
- 239000012528 membrane Substances 0.000 claims abstract description 49
- 238000003709 image segmentation Methods 0.000 claims abstract description 21
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000284 resting effect Effects 0.000 claims description 6
- 210000000225 synapse Anatomy 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000000946 synaptic effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000003711 image thresholding Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012421 spiking Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于脉冲卷积神经网络的战场目标图像阈值分割方法，包括：利用多重卷积模板提取战场目标图像基本特征；建立IF神经元模型；通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层—中间层—输出层”的脉冲神经网络拓扑结构；利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；基于阈值分割原理完成战场目标图像分割；采用二维熵来评价分割结果。与传统方法相比，使用本发明提出的战场目标图像分割方法网络训练功耗更低，具有高度生物可解释性，对噪声有更强的鲁棒性，分割战场目标效果更好。
Description
技术领域
本发明属于人工智能领域，特别是一种基于脉冲卷积神经网络的战场目标图像阈值分割方法。
背景技术
随着国防建设和国民经济的飞速发展，数据处理量几何级提升，信息多元化、不确定性加强，为战场环境中信息处理带来了新的挑战。鉴于第二代人工神经网络存在学习数据中存在人工标记难度高、学习时间不易衡量等问题，以脉冲神经网络为发展主体的第三代神经网络则更加关注并模拟人脑中负责认知数据的部分结构，并由此推动了新一代人工智能的发展。
在现有的图像分割技术中，以深度学习为代表神经网络算法难以很好地处理多模态、不确定信息，且学习数据人工标记难度高、学习时间长，严重制约了人工智能技术在复杂环境下进行图像分割的推广应用。而脉冲神经元的引入简化了连续时间编码和非线性激活的传递方式，可以有效降低实时计算的复杂度，有利于实现数据流的并行架构，加快战场中对图像信息处理的速度；同时脉冲神经网络的迭代并不依赖于误差反向传播(Back-Propagation,BP)算法，使其对于平台计算能力的要求大大降低，有利于野外分布式作战系统的算法部署，能够解决边缘计算等场景下的在线学习难题。因此，轻量化、高能效、且硬件友好等优势使得该项技术在战场等特殊环境得到推广。
近年来，对于脉冲神经网络的研究，尤其是应用于图像分割领域的研究越来越受到人们的关注。Meftah等在文献“Segmentation and edge detection based on spikingneural network model”中，采用基于脉冲响应模型的脉冲神经网络进行了图像分割和边缘检测。通过基于多突触多延迟的三层脉冲神经网络结构,将输入层的图像像素值通过中间层的径向基函数编码为脉冲序列，应用无监督或监督学习算法调整网络的连接权值，在输出层得到图像的分割结果或者边缘检测结果。Yedjour等在文献“Edge detection basedon Hodgkin Huxley neuron model simulation”中进一步提出了基于H-H神经元模型的边缘检测方法。Buhmann等在文献“Image Edge Detector with Gabor Type Filters Usinga Spiking Neural Network of Biologically Inspired Neurons”中将IF神经元构成的脉冲神经网络用于灰度图像分割。该方法受直方图聚类方法的启发,应用网络中神经元之间的局部竞争编码图像分块，通过调整脉冲神经网络的连接权值，用神经元的脉冲发放频率编码图像分割结果。
发明内容
本发明的目的在于针对上述现有技术存在的问题，提供一种可在复杂战场环境下能耗低、鲁棒性强的图像分割方法。
实现本发明目的的技术解决方案为：一种基于脉冲卷积神经网络的战场目标图像阈值分割方法，所述方法包括以下步骤：
步骤1，利用多重卷积模板提取战场目标图像基本特征；
步骤2，建立IF神经元模型；
步骤3，通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构；
步骤4，利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；
步骤5，基于阈值分割原理完成战场目标图像分割。
进一步地，步骤1所述利用多重卷积模板提取战场目标图像基本特征，具体包括：
利用卷积对战场目标图像的每个像素进行加权求和，从而提取战场目标不同层次的特征，具体公式为：
式中，S为卷积核运算结果，I为滑动窗口对应的战场目标图像，K为卷积核，(i,j)对应输出数据的位置，(m,n)为输入的像素在滑窗中的位置。
进一步地，步骤2所述建立IF神经元模型，具体过程包括：
以IF神经元为基本组成构建网络模型，特征公式如下式：
式中，
τm＝CmRm，Cm为膜电容，Rm为膜电阻，τm为膜时间常量，I为突触输入或外部注入电流，
为通过膜电阻Rm的电流，
为膜电容Cm充电电流，V为膜电位，Vrest为静息电位；
不提供外部注入电流，模型可简化为：
进一步地，步骤3所述通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构，具体过程包括：
步骤3-1，将战场目标基本特征编码转换为脉冲形式，采用首脉冲触发时间编码策略，转换公式如下式：
式中，tf表示由像素灰度值编码的脉冲发放时间，Tmax表示像素灰度值编码脉冲的最大发放时间，P表示图像的灰度值，δ表示无限接近于0的正常数；
步骤3-2，对IF神经元模型参数进行初始化，相应阈值参数具体设置如下：
式中，Vrest为静息电位，Vthresh为阈值电位，τm为膜时间常量；
步骤3-3，构建战场目标图像分割的三层脉冲神经网络模型：
(1)第一层为特征图像输入层，用于输入步骤3-1转换好的脉冲序列，所有像素都对应一个接收器；
(2)第二层为中间层，每个神经元对应一个输入层的感受野，整合来自感受野中的脉冲序列；
(3)第三层为输出层，通过阈值反应中间层的脉冲输出，通过脉冲发放时间图表示相应输入层图像的分割结果；
基于上述三层网络，完成脉冲神经网络拓扑结构的搭建。
进一步地，步骤4所述利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位，具体包括：
步骤4-1，给定一幅大小为W*H的战场目标图像，输入层即有W*H个神经元，以输入层的每一个神经元为中心构成N*N的感受野，中间层的每个神经元将接受输入层中与该神经元对应的感受野输入；感受野矩阵中的每一个神经元与中间层的神经元之间的连接权值wij的计算公式为：
式中，Wmax表示神经元之间的交互强度或权值尺度，Ii为输入层任一神经元，i＝1,2…，W*H，Rj为感受野矩阵中任意一个神经元，j＝1,2…，N*N，F(Ii)和F(Rj)分别表示神经元对应的像素灰度值，||F(Ii)-F(Rj)||表示像素的灰度差值，X(Ii)和X(Rj)分别表示神经元对应的像素坐标值，||X(Ii)-X(Rj)||表示像素坐标之间的欧氏距离，d＝3为常数；
步骤4-2，构建基于事件驱动的IF神经元膜电位变化表达式：
式中，tl表示神经元膜电位上次的更新时间，t表示当前时间，在没有新脉冲到来前，膜电位将按膜时间常量τm衰减至静息电位Vrest；
步骤4-3，当突触输入一个脉冲，神经元的膜电位会瞬时更新，膜电位V(t)瞬时更新公式为：
V(t)→V(t)+w
式中，w表示突触和脉冲神经元之间的连接权值。
进一步地，步骤5所述基于阈值分割原理完成战场目标图像分割，具体过程包括：
步骤5-1，将步骤4-3的计算结果与阈值电位Vthresh进行比较，可得中间层输出脉冲V′的规则为：
其中，1代表输出脉冲，0代表未输出脉冲；当膜电位超过阈值电位发放脉冲，并记下此时的发放时间
忽略后面的脉冲输入；而当膜电位没超过阈值电位则不发放脉冲，并将脉冲发放时间记为∞；
步骤5-2，将中间层脉冲发放时间
与输出层阈值时间Tthresh进行比较，可得输出层输出脉冲V″的更新规则为：
当中间层神经元的脉冲发放时间超过分割阈值时，不发放脉冲，并将输出层神经元所对应的像素灰度值设为255；否则发放脉冲，并将输出层神经元所对应的像素灰度值设为0，自此实现战场目标图像分割。
进一步地，所述方法还包括：
步骤6，采用二维熵评价分割结果。
进一步地，步骤6所述采用二维熵评价分割结果，具体为：
根据Shannon熵的原理，对于灰度在0～255范围内的图像，选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为(i,j)，其中i为像素的灰度值，j表示领域灰度均值，图像二维熵定义公式为：
其中，H表示图像的二维熵，Pij反应某像素位置上的灰度值与其周围像素的灰度分部综合特征，f(i,j)为特征二元组(i,j)出现的频数，N为图像的尺度；
以此构造的图像二维熵在反映战场图像包含的信息量的前提下，突出反映图像中像素的灰度信息和像素邻域内灰度分布的综合特征；当其熵值越大，其分割元素细节也就越丰富，由此当H取最大值时，所对应的分割效果最佳，基于此可调整阈值Vthresh大小。
一种基于脉冲卷积神经网络的战场目标图像阈值分割系统，所述系统包括：
特征提取模块，用于利用多重卷积模板提取战场目标图像基本特征；
模型构建模块，用于建立IF神经元模型；
脉冲神经网络拓扑结构构建模块，用于通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构；
计算模块，用于利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；
图像分割模块，用于基于阈值分割原理完成战场目标图像分割。
本发明与现有技术相比，其显著优点为：1)脉冲神经元结构简化了连续时间编码和非线性激活的传递方式，可以有效降低战场环境实时计算的复杂度，也更具备生物可解释性；2)拓扑结构中的神经元只在接收到脉冲时才进行计算，设备功耗更低，加快在战场等紧急环境下的计算速度；3)脉冲神经网络的权值更新不依赖于误差反向传播算法，使其对于平台计算能力的要求大大降低，有利于分布式作战系统的算法部署；4)通过二维熵评价分割结果，从聚集特征和空降特征来反映图像包含的信息，增强了在不同作战环境下图像分割的鲁棒性，有利于在更复杂的战场中推广。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中IF神经元等效电路图。
图2为一个实施例中基于脉冲卷积神经网络的战场目标图像阈值分割方法的流程图。
图3为一个实施例中基于脉冲神经网络的图像分割算法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，结合图2，提供了一种基于脉冲卷积神经网络的战场目标图像阈值分割方法，所述方法包括以下步骤：
步骤1，利用多重卷积模板提取战场目标图像基本特征；
步骤2，建立IF神经元模型；
步骤3，通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构；
步骤4，利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；
步骤5，基于阈值分割原理完成战场目标图像分割。
进一步地，在其中一个实施例中，步骤1所述利用多重卷积模板提取战场目标图像基本特征，具体包括：
利用卷积对战场目标图像的每个像素进行加权求和，从而提取战场目标不同层次的特征，具体公式为：
式中，S为卷积核运算结果，I为滑动窗口对应的战场目标图像，K为卷积核，(i,j)对应输出数据的位置，(m,n)为输入的像素在滑窗中的位置。
进一步地，在其中一个实施例中，结合图1，步骤2所述建立IF神经元模型，具体过程包括：
以IF神经元为基本组成构建网络模型，特征公式如下式：
式中，
τm＝CmRm，Cm为膜电容，Rm为膜电阻，τm为膜时间常量，I为突触输入或外部注入电流，
为通过膜电阻Rm的电流，
为膜电容Cm充电电流，V为膜电位，Vrest为静息电位；
不提供外部注入电流，模型可简化为：
进一步地，在其中一个实施例中，步骤3所述通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构，整体结构如图2所示，具体过程包括：
步骤3-1，将战场目标基本特征编码转换为脉冲形式，采用首脉冲触发时间编码策略，转换公式如下式：
式中，tf表示由像素灰度值编码的脉冲发放时间，Tmax表示像素灰度值编码脉冲的最大发放时间，P表示图像的灰度值，δ表示无限接近于0的正常数；
步骤3-2，对IF神经元模型参数进行初始化，相应阈值参数具体设置如下：
式中，Vrest为静息电位，Vthresh为阈值电位，τm为膜时间常量；
步骤3-3，构建战场目标图像分割的三层脉冲神经网络模型：
(4)第一层为特征图像输入层，用于输入步骤3-1转换好的脉冲序列，所有像素都对应一个接收器；
(5)第二层为中间层，每个神经元对应一个输入层的感受野，整合来自感受野中的脉冲序列；
(6)第三层为输出层，通过阈值反应中间层的脉冲输出，通过脉冲发放时间图表示相应输入层图像的分割结果；
基于上述三层网络，完成脉冲神经网络拓扑结构的搭建。
进一步地，在其中一个实施例中，步骤4所述利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位，具体包括：
步骤4-1，给定一幅大小为W*H的战场目标图像，输入层即有W*H个神经元，以输入层的每一个神经元为中心构成N*N的感受野，中间层的每个神经元将接受输入层中与该神经元对应的感受野输入；感受野矩阵中的每一个神经元与中间层的神经元之间的连接权值wij的计算公式为：
式中，Wmax表示神经元之间的交互强度或权值尺度，Ii为输入层任一神经元，i＝1,2…，W*H，Rj为感受野矩阵中任意一个神经元，j＝1,2…，N*N，F(Ii)和F(Rj)分别表示神经元对应的像素灰度值，||F(Ii)-F(Rj)||表示像素的灰度差值，X(Ii)和X(Rj)分别表示神经元对应的像素坐标值，||X(Ii)-X(Rj)||表示像素坐标之间的欧氏距离，d＝3为常数；
步骤4-2，构建基于事件驱动的IF神经元膜电位变化表达式：
式中，tl表示神经元膜电位上次的更新时间，t表示当前时间，在没有新脉冲到来前，膜电位将按膜时间常量τm衰减至静息电位Vrest；
步骤4-3，当突触输入一个脉冲，神经元的膜电位会瞬时更新，膜电位V(t)瞬时更新公式为：
V(t)→V(t)+w
式中，w表示突触和脉冲神经元之间的连接权值。
进一步地，在其中一个实施例中，步骤5所述基于阈值分割原理完成战场目标图像分割，详细算法图图3所示，具体过程包括：
步骤5-1，将步骤4-3的计算结果与阈值电位Vthresh进行比较，可得中间层输出脉冲V′的规则为：
其中，1代表输出脉冲，0代表未输出脉冲；当膜电位超过阈值电位发放脉冲，并记下此时的发放时间
忽略后面的脉冲输入；而当膜电位没超过阈值电位则不发放脉冲，并将脉冲发放时间记为∞；
步骤5-2，将中间层脉冲发放时间
与输出层阈值时间Tthresh进行比较，可得输出层输出脉冲V″的更新规则为：
当中间层神经元的脉冲发放时间超过分割阈值时，不发放脉冲，并将输出层神经元所对应的像素灰度值设为255；否则发放脉冲，并将输出层神经元所对应的像素灰度值设为0，自此实现战场目标图像分割。
进一步地，在其中一个实施例中，所述方法还包括：
步骤6，采用二维熵评价分割结果。
进一步地，在其中一个实施例中，步骤6所述采用二维熵评价分割结果，具体为：
根据Shannon熵的原理，对于灰度在0～255范围内的图像，选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为(i,j)，其中i为像素的灰度值，j表示领域灰度均值，图像二维熵定义公式为：
其中，H表示图像的二维熵，Pij反应某像素位置上的灰度值与其周围像素的灰度分部综合特征，f(i,j)为特征二元组(i,j)出现的频数，N为图像的尺度；
以此构造的图像二维熵在反映战场图像包含的信息量的前提下，突出反映图像中像素的灰度信息和像素邻域内灰度分布的综合特征；当其熵值越大，其分割元素细节也就越丰富，由此当H取最大值时，所对应的分割效果最佳，基于此可调整阈值Vthresh大小。
在一个实施例中，提供了一种基于脉冲卷积神经网络的战场目标图像阈值分割系统，所述系统包括：
特征提取模块，用于利用多重卷积模板提取战场目标图像基本特征；
模型构建模块，用于建立IF神经元模型；
脉冲神经网络拓扑结构构建模块，用于通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构；
计算模块，用于利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；
图像分割模块，用于基于阈值分割原理完成战场目标图像分割。
进一步地，在其中一个实施例中，所述系统还包括：
评估模块，用于采用二维熵评价分割结果。
关于基于脉冲卷积神经网络的战场目标图像阈值分割系统的具体限定可以参见上文中对于基于脉冲卷积神经网络的战场目标图像阈值分割方法的限定，在此不再赘述。上述基于脉冲卷积神经网络的战场目标图像阈值分割系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。本发明未尽事宜为公知技术。
综上，与传统方法相比，本发明提出的战场目标图像分割方法功耗更低，具有高度生物可解释性，对噪声有更强的鲁棒性，分割战场目标效果更好。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，所述方法包括以下步骤：
步骤1，利用多重卷积模板提取战场目标图像基本特征；
步骤2，建立IF神经元模型；
步骤3，通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构；
步骤4，利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；
步骤5，基于阈值分割原理完成战场目标图像分割。
2.根据权利要求1所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤1所述利用多重卷积模板提取战场目标图像基本特征，具体包括：
利用卷积对战场目标图像的每个像素进行加权求和，从而提取战场目标不同层次的特征，具体公式为：
式中，S为卷积核运算结果，I为滑动窗口对应的战场目标图像，K为卷积核，(i,j)对应输出数据的位置，(m,n)为输入的像素在滑窗中的位置。
3.根据权利要求1或2所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤2所述建立IF神经元模型，具体过程包括：
以IF神经元为基本组成构建网络模型，特征公式如下式：
式中，
τm＝CmRm，Cm为膜电容，Rm为膜电阻，τm为膜时间常量，I为突触输入或外部注入电流，
为通过膜电阻Rm的电流，
为膜电容Cm充电电流，V为膜电位，Vrest为静息电位；
不提供外部注入电流，模型可简化为：
4.根据权利要求3所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤3所述通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构，具体过程包括：
步骤3-1，将战场目标基本特征编码转换为脉冲形式，采用首脉冲触发时间编码策略，转换公式如下式：
式中，tf表示由像素灰度值编码的脉冲发放时间，Tmax表示像素灰度值编码脉冲的最大发放时间，P表示图像的灰度值，δ表示无限接近于0的正常数；
步骤3-2，对IF神经元模型参数进行初始化，相应阈值参数具体设置如下：
式中，Vrest为静息电位，Vthresh为阈值电位，τm为膜时间常量；
步骤3-3，构建战场目标图像分割的三层脉冲神经网络模型：
(1)第一层为特征图像输入层，用于输入步骤3-1转换好的脉冲序列，所有像素都对应一个接收器；
(2)第二层为中间层，每个神经元对应一个输入层的感受野，整合来自感受野中的脉冲序列；
(3)第三层为输出层，通过阈值反应中间层的脉冲输出，通过脉冲发放时间图表示相应输入层图像的分割结果；
基于上述三层网络，完成脉冲神经网络拓扑结构的搭建。
5.根据权利要求4所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤4所述利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位，具体包括：
步骤4-1，给定一幅大小为W*H的战场目标图像，输入层即有W*H个神经元，以输入层的每一个神经元为中心构成N*N的感受野，中间层的每个神经元将接受输入层中与该神经元对应的感受野输入；感受野矩阵中的每一个神经元与中间层的神经元之间的连接权值wij的计算公式为：
式中，Wmax表示神经元之间的交互强度或权值尺度，Ii为输入层任一神经元，i＝1,2…，W*H，Rj为感受野矩阵中任意一个神经元，j＝1,2…，N*N，F(Ii)和F(Rj)分别表示神经元对应的像素灰度值，||F(Ii)-F(Rj)||表示像素的灰度差值，X(Ii)和X(Rj)分别表示神经元对应的像素坐标值，||X(Ii)-X(Rj)||表示像素坐标之间的欧氏距离，d＝3为常数；
步骤4-2，构建基于事件驱动的IF神经元膜电位变化表达式：
式中，tl表示神经元膜电位上次的更新时间，t表示当前时间，在没有新脉冲到来前，膜电位将按膜时间常量τm衰减至静息电位Vrest；
步骤4-3，当突触输入一个脉冲，神经元的膜电位会瞬时更新，膜电位V(t)瞬时更新公式为：
V(t)→V(t)+w
式中，w表示突触和脉冲神经元之间的连接权值。
6.根据权利要求5所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤5所述基于阈值分割原理完成战场目标图像分割，具体过程包括：
步骤5-1，将步骤4-3的计算结果与阈值电位Vthresh进行比较，可得中间层输出脉冲V′的规则为：
其中，1代表输出脉冲，0代表未输出脉冲；当膜电位超过阈值电位发放脉冲，并记下此时的发放时间
忽略后面的脉冲输入；而当膜电位没超过阈值电位则不发放脉冲，并将脉冲发放时间记为∞；
步骤5-2，将中间层脉冲发放时间
与输出层阈值时间Tthresh进行比较，可得输出层输出脉冲V″的更新规则为：
当中间层神经元的脉冲发放时间超过分割阈值时，不发放脉冲，并将输出层神经元所对应的像素灰度值设为255；否则发放脉冲，并将输出层神经元所对应的像素灰度值设为0，自此实现战场目标图像分割。
7.根据权利要求1所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，所述方法还包括：
步骤6，采用二维熵评价分割结果。
8.根据权利要求7所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤6所述采用二维熵评价分割结果，具体为：
根据Shannon熵的原理，对于灰度在0～255范围内的图像，选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为(i,j)，其中i为像素的灰度值，j表示领域灰度均值，图像二维熵定义公式为：
其中，H表示图像的二维熵，Pij反应某像素位置上的灰度值与其周围像素的灰度分部综合特征，f(i,j)为特征二元组(i,j)出现的频数，N为图像的尺度；
以此构造的图像二维熵在反映战场图像包含的信息量的前提下，突出反映图像中像素的灰度信息和像素邻域内灰度分布的综合特征；当其熵值越大，其分割元素细节也就越丰富，由此当H取最大值时，所对应的分割效果最佳，基于此可调整阈值Vthresh大小。
9.基于权利要求1至8任意一项所述方法的基于脉冲卷积神经网络的战场目标图像阈值分割系统，其特征在于，所述系统包括：
特征提取模块，用于利用多重卷积模板提取战场目标图像基本特征；
模型构建模块，用于建立IF神经元模型；
脉冲神经网络拓扑结构构建模块，用于通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构；
计算模块，用于利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；
图像分割模块，用于基于阈值分割原理完成战场目标图像分割。
10.根据权利要求9所述的基于脉冲卷积神经网络的战场目标图像阈值分割系统，其特征在于，所述系统还包括：
评估模块，用于采用二维熵评价分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111139663.8A CN115880324A (zh) | 2021-09-28 | 2021-09-28 | 基于脉冲卷积神经网络的战场目标图像阈值分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111139663.8A CN115880324A (zh) | 2021-09-28 | 2021-09-28 | 基于脉冲卷积神经网络的战场目标图像阈值分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115880324A true CN115880324A (zh) | 2023-03-31 |
Family
ID=85763202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111139663.8A Pending CN115880324A (zh) | 2021-09-28 | 2021-09-28 | 基于脉冲卷积神经网络的战场目标图像阈值分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115880324A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116989800A (zh) * | 2023-09-27 | 2023-11-03 | 安徽大学 | 一种基于脉冲强化学习的移动机器人视觉导航决策方法 |
-
2021
- 2021-09-28 CN CN202111139663.8A patent/CN115880324A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116989800A (zh) * | 2023-09-27 | 2023-11-03 | 安徽大学 | 一种基于脉冲强化学习的移动机器人视觉导航决策方法 |
| CN116989800B (zh) * | 2023-09-27 | 2023-12-15 | 安徽大学 | 一种基于脉冲强化学习的移动机器人视觉导航决策方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tavanaei et al. | Multi-layer unsupervised learning in a spiking convolutional neural network | |
| CN112052886B (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
| CN108133188B (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
| CN110458844B (zh) | 一种低光照场景的语义分割方法 | |
| Tavanaei et al. | Bio-inspired spiking convolutional neural network using layer-wise sparse coding and STDP learning | |
| CN110555523A (zh) | 一种基于脉冲神经网络的短程跟踪方法及系统 | |
| CN114186672A (zh) | 一种用于脉冲神经网络的高效高精度训练算法 | |
| CN113313123B (zh) | 一种基于语义推断的扫视路径预测方法 | |
| CN113111758A (zh) | 一种基于脉冲神经网络的sar图像舰船目标识别方法 | |
| Zhang et al. | VGM-RNN: HRRP sequence extrapolation and recognition based on a novel optimized RNN | |
| Xu et al. | Face expression recognition based on convolutional neural network | |
| CN111310816B (zh) | 基于无监督匹配追踪编码的仿脑架构图像识别方法 | |
| Teow | A minimal convolutional neural network for handwritten digit recognition | |
| CN115880324A (zh) | 基于脉冲卷积神经网络的战场目标图像阈值分割方法 | |
| Li et al. | Vision-action semantic associative learning based on spiking neural networks for cognitive robot | |
| CN113034542A (zh) | 一种运动目标检测跟踪方法 | |
| Sorwar et al. | DCT based texture classification using soft computing approach | |
| Ruan et al. | Automatic recognition of radar signal types based on CNN-LSTM | |
| Yildirim et al. | REGP: A NEW POOLING ALGORITHM FOR DEEP CONVOLUTIONAL NEURAL NETWORKS. | |
| Zhang et al. | Deep Learning for EEG-Based Brain–Computer Interfaces: Representations, Algorithms and Applications | |
| Ahmed et al. | Two person interaction recognition based on effective hybrid learning | |
| Gerhards et al. | Radar-based gesture recognition with spiking neural networks | |
| CN116188870A (zh) | 一种基于脉冲卷积神经网络的钢材表面缺陷图像分类方法 | |
| Liu et al. | Optimizing CNN using adaptive moment estimation for image recognition | |
| Jingren et al. | Deep spiking neural network for high-accuracy and energy-efficient face action unit recognition |
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 |