新的PCNN實現方法及其在圖像處理中的應用研究

趙海燕

?

新的PCNN實現方法及其在圖像處理中的應用研究

趙海燕

成都東軟學院計科系，四川 都江堰 611844

隨著計算機技術的不斷發展，圖像處理技術水平也是在不斷得到提升，其所應用的先進技術也是越來越多，其中PCNN在圖像處理中的應用使得圖像處理的水平得到了一個質的飛躍。在此主要對新的PCNN實現方法進行了分析，并對其在圖像處理當中的具體應用進行了探討，以期能夠不斷提升圖像處理水平。

PCNN；圖像處理；應用研究

PCNN是不同于傳統人工神經網絡的一種新型神經網絡模型，是根據動物大腦皮層上的脈沖振蕩提出的一種生物神經模型，這種模型已經廣泛應用在圖像處理或識別當中，其所應用的優勢也非常明顯，也正在逐漸成為圖像處理中的應用翹楚，且隨著PCNN新的實現方法的出現，其在圖像處理當中的應用也更加得到重視[1]。

1 新的PCNN實現方法

PCNN全稱為脈沖耦合神經網絡，是一種新型的神經網絡模型，屬于單層二位脈沖耦合神經元陣列，將每個神經元對應圖像當中的一個像素，就可以對圖像進行處理。這種模型在圖像處理當中的表現比較出色，且隨著PCNN技術的不斷發展，其在圖像處理中所占有的地位也是越來越突出，在這里筆者主要是提出了新的PCNN實現方法，也對其在圖像處理當中的應用結合進行了討論。這里所提到的新的實現方法主要是快速算法實現，主要表現在兩點上：一是簡化模型。相對于傳統的PCNN模型，新的實現方法當中對內部行為計算進行了較大簡化，包括閾值產生方式進行簡化，通過查找表的方式來獲取閾值，減少中間的計算過程，并且對網絡運行機制進行進一步優化，優化后的模型當中神經元只能點火一次，之后該神經元不再進行點火，這樣能夠極大簡化傳統的PCNN模型；二是新的整數運算[2]。PCNN模型操作主要是通過內部行為和閾值兩者比較來實現的，其中內部行為中的小數則是通過連接幅值系數、連接系數和連接權來引入，這就會使得內部行為小數位數至少是在4位左右的。這時，新的實現方法當中，將每個系數乘以一個比較大的常數，比如乘以10000，就可以將原來至少四位的小數轉化成整數[3]。相對應的查找閾值表時也同樣乘以預定的常數，將閾值也轉化成整數，這樣就可以進行整數計算，整數計算的結果更加明了、簡單，也能夠對復雜的小數計算進行簡化。而且在網絡運行前就將乘以常數這一步驟輸入到相應的計算步驟當中，這樣就不會影響網絡運行效率，不用擔心整數的轉換給神經網絡模型的計算效率帶來影響。然后，在計算公式時同樣將原來的常數1改成之后確定的常數，比如10000，這樣就能夠實現整個PCNN模型當中的整數計算，有效提升PCNN運算的執行效率[4]。

2 PCNN在圖像處理當中的應用

2.1 圖像增強

PCNN在圖像處理中的應用首先表現在圖像增強方面，在應用上先是通過用PCNN來獲取時間索引圖，并且對時間索引圖灰度級進行規格化處理，保證灰度技術和原來的輸入圖像是一致的，然后利用公式對細節增強圖像進行計算，將計算出來的細節增強圖像同樣進行灰度級規格化處理，這樣就可以利用常數來增強細節部分的增強程度，通常這個常數設置為0.5。在整體視覺增強方法上，應用方法和細節增強方法基本是一致的，只是在計算公式上有所差異[5]。

2.2 邊緣檢測

有時有很多輸入到系統當中的圖像會出現一些細節紋理所形成的圖像邊緣，這些邊緣往往是沒有什么物理意義的，同時還會對圖像的后期處理產生一定的干擾，因而需要對這些邊緣進行檢測并將其處理掉。傳統的圖像處理技術無法完成對邊緣進行精確檢測，而PCNN在圖像處理當中的應用則能夠在一定條件下有效減少細節紋理帶來的干擾，并對相應邊緣進行檢測[6]。具體的應用方法是，首先利用PCNN獲取時間索引圖，然后同樣對時間索引圖進行灰度級規格化處理，使輸入圖像和時間索引圖的灰度級數相同。然后，用系統中自帶的邊緣檢測方法在索引圖當中對邊緣進行檢測，由于借助了時間索引圖的應用，對圖像中的邊緣檢測也更加精準，從而能夠有效減少輸入圖像中的細節紋理干擾[7]。

2.3 圖像分割

圖像處理當中不同區域的圖像分割是其中的處理難點[8]，基于PCNN的圖像處理系統能夠對不同灰度的圖像進行一定的圖像分割，其分割原理主要是如果只有兩個區域的一幅圖像當中，一部分為背景區，一部分為目標區，那么如果目標區的灰度分布范圍（XRmin，XRmax）和背景區的灰度分布范圍（XBmin，XBmax）發生重疊，那么XRmin（1+βLRmin（tR））≥XRmax，XBmax（1+βLBmax（tR））≥XRmax，XBmin（1+βLBmin（tB））≥XBmax這三個條件同時成立時，圖像就可以進行完美分割。目前，對于PCNN在圖像分割中的應用是否能夠確定使上述三個條件同時成立，并且完成對圖像的完美分割，當前還沒有確切的定論[9]。

3 結束語

新型PCNN在圖像處理中的應用主要可以表現在圖像去噪、分割和邊緣檢測等方面上，由于PCNN本身所具備的生物學背景使得其在圖像處理上有著明顯優勢，應用前景也十分廣闊，應充分引起相關的研究人員重視，并且不斷加強對PCNN理論方面的研究，對其參數選取進行設置，從而有效提升PCNN的運行效率，保證圖像處理的效果[10]。

[1]王蒙軍，郭林.改進內部活動項的多通道PCNN彩色圖像分割[J].激光與光電子學進展，2015，52（12）：80-86.

[2]金鑫，聶仁燦，周冬明，等.S-PCNN與二維靜態小波相結合的遙感圖像融合研究[J].激光與光電子學進展，2015，52（10）：139-144.

[3]夏瀟鸞，鄧紅霞，李海芳.改進遍歷過程的PCNN在圖像處理中的應用[J].計算機應用，2013，33（10）：2895-2898.

[4]邵曉鵬，鐘宬.一種簡化PCNN模型在彩色圖像邊緣檢測上的應用[J].西安電子科技大學學報，2012，39（6）：1-9.

[5]羅建.一種改進的PCNN模型及在圖像處理中的應用[J].西華師范大學學報（自然科學版），2011，32（4）：397-401.

[6]石斌.醫學圖像分割處理中改進型PCNN模型的應用綜述[J].甘肅科技，2015（19）：132-133.

[7]羅建，李艷梅.一種改進的PCNN模型及在圖像處理中的應用[J].西華師范大學學報：自然科學版，2011，32（4）：397-401.

[8]張淼，歐幸福，唐雄民，等.PCNN在金屬拉鏈缺陷檢測中的應用[J].計算機工程與應用，2014，50（18）：251-256.

[9]王曉軍，王崴，劉曉衛，等.基于圖像復雜度的PCNN邊緣檢測新算法[J].彈箭與制導學報，2015，35（4）：154-158.

[10]陸玉婧，李海燕，費勤水，等.基于簡化的PCNN在超聲乳腺癌圖像去噪方面的應用[J].生物醫學工程研究，2013，32（2）：36.

New PCNN Implementation and Its Application in Image Processing

Zhao Haiyan

Chengdu Neusoft project department，Sichuan Dujiangyan 611844

With the development of computer technology，image processing technology is constantly been improved，it is applied advanced technology is more and more，which PCNN application in image processing，image processing so that the level has been a qualitative leap.This paper focuses on the new PCNN implementation were analyzed and discussed their specific application in image processing so as to，in order to be able to continuously improve the level of image processing.

PCNN; Image Processing; Application

TP391.41；TP183

A

1009-6434(2016)07-0128-02