基于脉冲耦合神经网络图像分割的应用研究

摘 要：本篇论文主要讨论如何通过较脉冲耦合神经网络的方法，来对若干种不同类型的图像进行图像分割的问题，并取得较好的分割效果。

关键词：图像分割；脉冲耦合神经网络；计算机视觉

在计算机视觉的研究中，图像分割是连接低级视觉与高级视觉的桥梁和纽带，图像分割的结果既取决于低级视觉中各种预处理的效果，又决定了高级视觉中的各种应用中最终输出的质量。因此，图像分割是人多数视觉系统中最为关键和重要的一个环节。在过去的几十年里，图像分割的研究一直受到人们高度的重视。

1 脉冲耦合神经网络（PCNN）

脉冲耦合神经网络核心运作机制就是神经元能够接受外部信号和相邻神经元的加权输入，通过耦合部分得到神经元的内部活性，脉冲耦合神经元的脉冲爆发机制是PCNN运行机制的核心。

对于较小的馈给输入和较弱的链接强度，单个脉冲足以使阈值复位，这就是但脉冲机制，而链接强度较大时，神经元从它周围接收到较强的链接输入，他会得到一个较大内部活性。这样，就会驱使神经元不断地产生脉冲直到阈值超过内部活性，这就是多脉冲爆发机制。大多数图像处理中链接强度都选得较小，一般应用的都是弱脉冲爆发机制。

当考虑一组互关联的神经元时，情况较为复杂。一个神经元要接受来自该组中其它神经元的链接输入，链接输入的量随着该组中脉冲产生的个数而增长，它必须重复爆发，直到推动它的阈值超过链接输入，反过来又影响该神经元的链接输入，由于链接与馈给域的时间常数不同，链接输入会首先达到饱和，因而从使得神经元阈值最终增大到超过内部活性而停止爆发脉冲。

由以上可知，在一组神经元相互作用的情况下，脉冲耦合神经元的阈值大小主要由链接输入决定，脉冲爆发周期既是它自身馈给输入的函数也是这个区域链接输入的函数。脉冲爆发的数量由区域的总能量决定，两次爆发的时间间隔近似于该区域面积的对数函数。当两组神经元相互作用时，每个组的捕获时间是另一个组的面积函数，且随两组距离增大而减小。每个组的捕获时间同脉冲同步爆发的时间之比可以比较小，这样即使它们处于强链接多脉冲爆发区域也能提供较弱而有效的链接。在这种情况下，内部同步的族之间的相互作用就相当于大的单个神经元直接作用的关系。这种同步是根据区域关系而不是内部细小的强度链接，各区域之间表现出的关系同单个神经元之间表现出的关系完全不同。多脉冲模式中区域相连关系是图像分割等图像处理操作的本质所在。

2 图像分割

基于PCNN的图像分割是根据图像的自然属性，利用PCNN的脉冲快速并行传播特性对图像进行自然而迅速的分割。本文中图像处理时，PCNN连接方式是相同的。同时，PCNN中所有神经元的参数均相同。具体应用在灰度图像分割时，PCNN为一单层二维的局部连接的网络，神经元的个数等于输入图像中像素点的个数，神经元与像素点一一对应。每一个神经元与对应的像素点相连，同时每个神经元与其8邻域中的其它神经元相连。每个神经元的输出只有两种状态：1与0。经过简化后的神经元模型，每个神经元的馈送域信号等于对应像素点的亮度值，链接域信号是链接域对8邻域中其它神经元输出的响应和。

基于PCNN的图像分割算法的基本思路是用PCNN沿着由高亮度值到低亮度值的方向分层依次分割灰度图像，同时结合图像熵得到最终的分割结果。

某个PCNN神经元点火时，其邻域内的任何一个未点火的且输入亮度与其输入亮度差别不大的神经元都会受其影响而点火。PCNN用于图像分割时，图像内的一些输入亮度值较高的神经元先点火，发放脉冲，捕捉到它们8邻域内的输入亮度值相似的还未点火的神经元，使得它们也发放出脉冲，继续进行捕捉的过程。当捕捉过程结束时，就分割出一块区域。链接域信号的统一使得图像分割的过程清楚明了，便于控制。用PCNN分割图像时，既考虑到图像中同一区域内像素点亮度之间的相似性，又通过其脉冲并行传播特性自如地利用图像中像素点之间的空间位置关系。

在算法中引入图像熵，是因为对于绝大多数图像来说，不管采用何种分割算法，一般分割后的图像熵值越大，说明分割后从原图得到信息量越大，分割图像细节越丰富，因而总体分割效果也应越好。将此特性应用于PCNN图像分割中，得到了一种基于图像熵和PCNN的图像分割算法。分割后得到的二值图像的图像熵可由下式确定：

其中，分别表示该分割后的图像为、为的概率，。

注意，时，图像全白，；时，图像全黑，这两种情况下，图像熵取得最小值。当时，图像熵取得最大值。

下面给出具体的基于图像熵和PCNN的图像分割算法：

（1）给出阈值，链接强度，分割次数，步长，同时令每个像素点处于熄火状态，即。

（2）在时，计算链接信号：。

（3）计算每个神经元的内部活性：。

（4）将与阈值相比，记录神经元的输出，即点火或不点火，，调整阈值。

（5）计算的图像熵，将到目前为止图像熵最大的存为，当循环结束时，取得最大值，就是最终的分割结果。

（6），如果，回到（2）；否则，结束。

3 结语

本文结合图像熵概念，成功地将简化了的PCNN模型应用于256灰度级的图像分割中。通过对不同类型的图像进行计算机仿真，我们认为，该算法具有较广泛的通用性，如对气象云图、高空拍摄图片等不同类型图像，均能得到较好的、细节较丰富的分割结果。

参考文献：

[1] Rafael C.Gonzalez，Richard E.Woods.数字图像处理（第二版）[M].北京：电子工业出版社，2007.

[2] J.L.Johnson，M.L.Padgett . PCNN Models and Applications[J] . IEEE Transactions on Neural Networks，1999（10）.