[发明专利]一种基于Spiking神经网络的图像分割方法

权利要求书

1.一种基于Spiking神经网络的图像分割方法，其特征在于包括如下步骤：

步骤1、基于高斯接受域的方法采用群体神经元对图像像素灰度值编码，即采用10个SRM神经元编码像素灰度值得到相应的脉冲发放时间，编码后，每个像素对应9个兴奋型神经元以及1个抑制型神经元；

步骤2、根据上述编码后的脉冲发放时间，将其作为“二维输出层”递归网络的输入，该递归网络包括一个特征绑定层及一个图像分割层，

其中特征绑定层内的神经元个数为图像像素数的10倍，图像分割层的神经元个数为图像分割后的所需区域数；

特征绑定层内存在层内的横向连接，以及向图像分割层的前馈连接；

图像分割层存在向特征绑定层内的反馈连接；

该“二维输出层”递归网络内的神经元均采用含突触延时的0阶SRM神经元模型；

步骤3、对上述“二维输出层”网络内的神经元按照STDP与winner-takes-all的学习规则以及同步与异步相结合的网络对象仿真策略在指定的迭代次数下进行训练；

具体而言，每次训练过程中，从脉冲发放时间的优先队列中选取一个或多个winner神经元，按照STDP规则仅改变与winner神经元存在连接的神经元间的权值，同时保证兴奋型突触的连接权值为正，抑制型神经元的连接权值为负，与此同时，对神经元的突触延时进行动态改变，与winner神经元存在输入关系的神经元之间的延时增加，存在输出关系的神经元之间的延时减少，并保证在1-9ms之间；

步骤4、采用竞争机制，具有相似像素灰度特征的神经元越来越同步，而具有不同特征的神经元的脉冲输出时间差异越来越大，最终特征绑定层内的神经元的脉冲输出映射至不同的分割区域中，基于特征绑定层内的神经元输出时间对图像进行解码，根据脉冲发放时间的不同按分割后的区域数重置图像矩阵，最终得到分割结果。

2. 根据权利要求1所述的一种基于Spiking神经网络的图像分割方法，其特征在于：所述步骤3中所述同步与异步相结合的网络对象仿真策略，具体步骤如下：

21)、对于每一次仿真，重新开始计时：

22)、对每个神经元，检查其属性，若其值为1，取出该神经元的lastFiringTime属性的值并更新至firing优先队列中；

23）、在优先队列中，winner神经元出队；

24）、若winner神经元为输出层神经元，由于存在递归连接，对每一个突触前脉冲发放的神经元，减少它与winner之间的连接权值，增加突触延迟时间，对每一个突触后脉冲发放的神经元，增加它与winner之间的连接权值，减少突触延迟时间；

25）、若winner神经元为中间层神经元，层内与其横向连接的神经元权值增加，延时不变，对每一个突触前脉冲发放的神经元，减少它与winner之间的连接权值，增加突触延迟时间。对每一个突触后脉冲发放的神经元，增加它与winner之间的连接权值，减少突触延迟时间；

26）、仿真次数递增，若小于给定的迭代次数，继续下一次仿真，否则结束仿真。

3.根据权利要求2所述的一种基于Spiking神经网络的图像分割方法，其特征在于：权值修改规则，包括以下步骤：

31）、初始化权值矩阵及延时矩阵，初始化输出层的脉冲发放时间为10ms，根据神经元模型，找出第一个脉冲发放的神经元作为winner，若存在多个神经元的脉冲发放时间皆为最短，则都记为winner神经元，记录其neuronID以及脉冲发放所需的时间；

32）、与winner神经元无连接的权值不改变，有连接的按照STDP规则修改连接权值，并符合如下规则：

若winner神经元为中间层神经元，则与其相连的那个输出层神经元之间的延时减少5%，其他延时不变，若中间层内有抑制型神经元与其相连，权值按STDP规则修改后若大于0，将其重置为之前负的权值；

若winner神经元为输出层神经元，则中间层兴奋型神经元与输出层神经元之间的延时增加5%，输出层到中间层兴奋型神经元之间的延时减少5%，但都保证在2-9ms之间，若中间层的兴奋型神经元按照STDP规则修改后其连接权值小于0，则将其重置为之前正的连接权值。若有连接的按照上式STDP规则进行权值改变；

33)、重新开始下一次仿真，按照神经元模型计算脉冲发放所需的时间，若有神经元发放脉冲且时间小于winner神经元脉冲发放的时间，则取脉冲发放时间最短的神经元作为winner神经元，记录其neuronID以及脉冲发放所需的时间，若脉冲发放的时间大于winner神经元脉冲发放的时间或无神经元脉冲发放，则之前的winner仍然为winner神经元；

34）、重复32）、33）直至达到设定的迭代次数。