[发明专利]一种基于Spiking神经网络的图像分割方法

说明书

技术领域

本发明涉及神经网络、机器学习、图像处理等领域，具体涉及基于Spiking神经网络——利用其时间编码同步绑定特性进行图像分割的方法。

背景技术

图像分割是指按一定规则将一幅图像划分为若干互不交叠的区域，它是数字图像处理的一个关键环节，其结果直接影响到后续的图像识别、图像理解。图像分割一直以来是比较热门的研究课题，每当有新的技术产生，科研工作人员总是热衷于将其应用到图像分割中。然而图像分割本身是一个病态问题，分割的目的是为了理解，但理想的分割结果又往往需要理解后的结果作为先验知识。

人类的视觉系统相较于计算机有着不可比拟的优势。大脑经过早期的学习、记忆，对于给定的图像可以一眼就能得到自己感兴趣的图像部分。所以，对人类视觉系统进行研究，得到相应的数学模型，并应用于数字图像分割是非常有意义的。人工神经网络即为对生物大脑进行模拟仿真得出的科研成果，越来越多的科研人员将人工神经网络应用于图像分割中并取得了不错的研究成果。

Spiking神经网络是人工神经网络的最新研究成果，被称作第三代神经网络。较之前两代神经网络，它可以采用时间编码对外部信息进行处理，本身具备时间域信息处理功能。Spiking神经网络的神经元模型、学习算法等与前两代神经网络大有不同，但同时具备更强的计算能力，其本身是神经网络领域内的一个研究热点。

将目前仿生性能最好的Spiking神经网络应用到图像分割中是比较有研究意义的，神经网络的原理在于基于神经元模型按一定的网络结构通过不断的训练以期达到所需的结果。其神经元模型并不复杂，但加上分层的网络结构却能模拟任意函数，完成对信息的处理。Spiking神经网络应用到图像分割关键在于设计适合的网络结构并在训练过程中找到好的学习规则。

发明内容

本发明要解决的技术问题是提供一种基于Spiking神经网络的图像分割方法，使其能够有效的分割出图像。现有的基于Spiking神经网络的图像分割技术并不成熟，多是采用脉冲发放率对信息进行编码（当采用的仿真时间步较大时，会存在明显的精度问题），亦或是采用Spiking神经网络与其它网络相结合，并不能完全体现Spiking神经网络的优越性。

为解决上述技术问题，本发明采用如下技术方案：

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，这里的“二维输出层”是由于在竞争网络中通常只包含一个输入层和一个输出层，而考虑到图像自身特征以及Spiking网络的时间编码特性，这里采用包括一个特征绑定层及一个图像分割层的“二维输出层”，

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”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”内神经元按照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。

上述技术方案中，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：