[发明专利]一种基于PCNN神经元激活率和群离散度的区域特征提取方法

说明书

技术领域

本发明属于一种声纳图像目标区域的特征提取方法，尤其涉及一种能够提取目标区域像素值分布特征的，基于PCNN神经元激活率和群离散度的区域特征提取方法。

背景技术

随着科技的发展，以人类为代表的哺乳动物对于图像的识别能力仍然是机器望尘莫及的，因此大量国内外科研工作者不断探索和模拟动物的视觉神经系统，虽然神经网络的研究经历了一个又一个低潮，但是科学家们的脚步从未停止。随着第三代神经网络PCNN的提出，对于神经网络的研究进入了一个新的篇章，2005年Lindblad和Kinser在其PCNN研究专著的第二版阐述了基于哺乳动物视觉皮层神经元的人工神经网络，使人们在机器视觉研究方面前进了一大步，针对动物大脑如何对图像进行处理的研究方面又有了很多新的成果。比如Johnson提出利用PCNN网络将二维图像转换成一维脉冲序列的思想，一些研究者提出用PCNN把图像分层的方法。文献1：Bo Yu；Liming Zhang.Pulse-Coupled Neural Networks for Contour and Motion Matchings.2004IEEE TRANSACTIONS ON NEURAL NETWORKS,p 1186-1201,2004，这篇文献利用PCNN的链式传导激活方法对理想图形的边缘进行匹配识别。文献2：刘勍，马义德.基于直方图矢量重心的PCNN图像目标识别新方法.电子技术应用，No.10,2006。文献3：刘勍，许录平，马义德，张华.结合灰度熵变换的PCNN小目标图像检测新方法.北京理工大学学报，Vol.29,No.12,2009。这两篇文献利用赋时矩阵来描述图像特征用于识别等。

总的来说，利用PCNN进行图像识别的论文可以分为两大类：一类是构建更加复杂的PCNN结构，把增加网络的复杂性作为一种创新；第二类通过统计PCNN发生群激活的神经元个数进行分析，以此进行图像的分割、去噪。这些做法存在两方面不足，一是忽略了PCNN邻域神经元对主神经元的动态影响，没有体现邻域主、辅神经元的动态联系；另一方面忽视了PCNN多个神经元同时发生提前激活的神经元分布特点，没有利用提前激活神经元的分布特性。

发明内容

本发明的目的是提供一种计算复杂度小，分类效果好的，基于PCNN神经元激活率和群离散度的区域特征提取方法。

本发明是通过以下技术方案实现的：

一种基于PCNN神经元激活率和群离散度的区域特征提取方法，包括以下几个步骤：

步骤一：采集原始图像，对原始图像进行预处理，分割出目标区域的轮廓，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值；

步骤二：通过设置PCNN神经元的阈值参数，将0～255的灰度范围根据目标区域划分成N个灰度区间，将灰度区间按照灰度值从大到小的顺序排列；

步骤三：读取当前第k个灰度区间，得到当前灰度区间内发生群激活的神经元，发生群激活的神经元对应的像素值在当前灰度区间对应的灰度范围内；

步骤四：统计发生群激活神经元的邻域内受激励神经元个数λ，重新计算发生群激活神经元的邻域内受激励神经元的内部活动项的值，如果受激励神经元的内部活动项的值位于当前灰度区间对应的灰度范围内，则当前受激励神经元为提前激活神经元，记录下提前激活神经元对应像素点的坐标；

步骤五：统计提前激活神经元个数λ'，得到群激活率和群离散度：

其中x,y是每个灰度区间提前激活神经元对应像素点的坐标，

步骤六：令当前灰度区间内的发生群激活和提前激活神经元对应的像素点值为0，令k＝k+1，重复步骤三到步骤六，直到k＝N。

有益效果：

本发明细化了PCNN的神经元激励现象，成功将发生群激活和受激励提前激活的神经元分离开，一方面利用提前激活神经元的激活率表征目标区域的灰度值分布特性，另一方面统计每个灰度区间提前激活神经元对应的像素点坐标，把目标区域中具有相似激活特性的像素点联系起来分析。