[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

摘要

本发明公开了一种基于Spiking‐卷积网络模型的图像边缘检测方法，属于图像处理技术领域，解决现有技术仅仅模拟生物神经系统的空间层次结构，缺乏对时间特征的解释问题。本发明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‐卷积网络模型；将构建好的卷积结构的Spiking‑卷积网络模型，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；获取图像，将图像灰度值像素编码为Spiking神经元，作为Spiking‐卷积网络模型的输入层；将基于算子的Spiking‐卷积算法运用于Spiking‐卷积网络模型，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。本发明用于图像预处理、特征提取、边缘检测，涉及神经网络，机器学习，Deep Learning。

主权项

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。