[发明专利]一种基于Spiking‑卷积神经网络模型的图像边缘检测方法

权利要求书

1.一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，如下步骤：

(1)基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking-卷积层和输出层的卷积结构的Spiking-卷积神经网络模型；构建有输入层、Spiking-卷积层和输出层的卷积结构的Spiking-卷积神经网络模型的具体步骤如下：

(11)建立一个“输入层-Spiking-卷积层-输出层”模式的3层Spiking-卷积神经网络结构；

(12)根据Spiking-卷积神经网络结构和二维图像的数据特征，设定一个和预处理图像相同维度的二维矩阵，并使得每个像素点一一映射到Spiking-卷积神经网络结构中的输入层；

(13)在Spiking-卷积神经网络结构中，模拟生物的视觉系统，仿真感受野的功能，即将Spiking-卷积神经网络结构中的输入层到Spiking-卷积神经网络结构中的Spiking-卷积层的连接方式降低为分区域连接，得到了Spiking神经脉冲的卷积稀疏连接方式；

(14)得到了Spiking神经脉冲的卷积稀疏连接方式后，再对Spiking-卷积神经网络结构中Spiking-卷积层的每个感受野采用权值共享，在所有感受野上采用的权值都是相同的，即每一个Spiking-卷积层的滤波器重复地作用于每个区域中，对输入信号进行卷积的结果构成了输入信号特征，从而提取出输入信号的局部特征，每一个Spiking-卷积层的滤波器都是相同的，即共享相同的参数，包括相同的权值矩阵和偏置项，最终产生Spiking-卷积神经网络模型；

(2)将构建好的卷积结构的Spiking-卷积神经网络模型，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法；

(3)获取输入图像，将输入图像灰度值像素编码为Spiking神经元，作为Spiking-卷积神经网络模型的输入层；

(4)将基于算子的Spiking-卷积算法运用于Spiking-卷积神经网络模型，对输入层采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。

2.根据权利要求1所述的一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，所述步骤(2)中，运用拉普拉斯高斯算子和高斯差分算子分别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法的具体步骤如下：

(21)根据拉普拉斯高斯算子函数，将拉普拉斯高斯算子函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应；

(22)根据高斯差分算子函数，将高斯差分算子函数形式转化为与卷积核大小相同的梯度模板，并且具有高斯差分滤波器的同等效应；

(23)将步骤(21)和步骤(22)中的梯度模板，作为Spiking-卷积神经网络模型中的卷积核，以相同的梯度模板重复作用于每个感受野区域，形成基于算子的Spiking-卷积算法。

3.根据权利要求2所述的一种基于Spiking-卷积神经网络模型的图像边缘检测方法，其特征在于，所述步骤(21)中，根据拉普拉斯高斯算子函数，将拉普拉斯高斯算子函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应的具体步骤为：

(211)先用高斯函数对原始图像进行平滑滤波；

(212)将进行平滑滤波后的图像进行Laplace运算；

(213)将进行Laplace运算后等于零的点作为边缘点。