基于PCNN的圖像椒鹽噪聲濾除方法

閆海鵬，吳玉厚

(1.沈陽建筑大學 機械工程學院，遼寧 沈陽 110168； 2. 沈陽建筑大學 高檔石材數控加工裝備與技術國家地方聯合工程實驗室，遼寧 沈陽 110168)

基于PCNN的圖像椒鹽噪聲濾除方法

閆海鵬1，吳玉厚2

(1.沈陽建筑大學 機械工程學院，遼寧 沈陽 110168； 2. 沈陽建筑大學 高檔石材數控加工裝備與技術國家地方聯合工程實驗室，遼寧 沈陽 110168)

傳統的降噪方法在圖像降噪之后會損壞圖像的部分邊緣細節信息，致使圖像的輪廓變得模糊不清。為了達到更好的圖像降噪效果，提出一種改變突觸鏈接強度和改進閾值函數的脈沖耦合神經網絡的圖像降噪方法。該方法將基本脈沖耦合神經網絡模型進行簡化，使突觸鏈接強度自適應取值，將閾值函數改進為分段的衰減函數，從而提高對圖像不同灰度值的分辨力，并根據神經元與其周圍神經元點火時間差定位噪聲點，提高了算法對噪聲點的辨識精確度，進而實現更好的降噪效果。實驗結果表明，改進方法準確地辨識出了圖像的椒鹽噪聲點，并且能夠有效去除噪聲點，同時很好地保護圖像邊緣細節。

圖像降噪；脈沖耦合神經網絡；突觸鏈接強度；閾值函數；分辨力

圖像在切割及傳輸等過程中，不可避免地會受到各種噪聲污染，其中最常見的就是由白色亮點鹽噪聲和黑色暗點胡椒噪聲組成的黑白雜點，即椒鹽噪聲，也稱脈沖噪聲。圖像降噪就是將被污染的噪聲點去除，使其恢復原來圖像的過程。圖像降噪既要保證圖像邊緣細節信息不被破壞，又要對噪聲點進行去除，使圖像清晰，有較好的視覺效果。傳統的降噪方法[1-3]，如中值降噪在對圖像降噪過程中對每一個像素點都進行濾波，致使圖像紋理細節得到不同程度的破壞，從而影響了圖像清晰度，沒有使圖像得到更好地恢復。

脈沖耦合神經網絡[4-6](pulse coupled neural network，PCNN)是第3代人工神經網絡，由于它有著極強的生物學背景，因此顯示出突出的圖像處理能力，近年來，已廣泛應用于圖像分割[7-8]、圖像識別[9]、圖像降噪[10-12]等圖像處理的各個領域[13-15]。文獻[10]提出了一種自適應突觸鏈接強度的PCNN降噪方法，對圖像中的噪聲點進行了有效去除；文獻[11]提出了單向衰減閾值以及濾波窗口大小和濾波次數均自適應選擇的圖像降噪方法，其較傳統降噪方法有顯著優勢，降噪效果較好；文獻[12]提出一種結合形態學方法的濾波算法，更好地抑制混合噪聲的干擾，到達了良好的降噪效果。為更好地提高圖像質量，改善降噪效果，本文提出一種改進突觸鏈接強度和改進閾值函數的PCNN模型。

1 PCNN神經元模型

1.1 PCNN介紹

PCNN是由許多神經元相互鏈接形成的一種動態非線性神經網絡。如圖1所示，一個PCNN神經元主要由接收外部刺激信號部分、對信號進行調制部分以及根據信號強弱決定能否產生脈沖部分這3部分組成。

圖1 基本PCNN神經元模型Fig.1 Basic PCNN neuron model

接收外部刺激信號部分由F和L兩條通道接收并傳輸信號，其中F通道的饋送輸入Fij不僅與外部刺激信號Iij有關，還與其周圍神經元的點火情況相關聯，其值為神經元饋送權系數矩陣M與鄰域內各神經元輸出值點乘的和再乘以神經元饋送幅度系數VF，然后加上外部刺激信號，并且隨時間按指數變化不斷衰減。而L通道的鏈接輸入Lij僅接收其周圍神經元的鏈接信號，其值為神經元鏈接權系數矩陣W與鄰域內各神經元輸出值點乘的和再乘以神經元鏈接幅度系數VL，同時也隨時間按指數形式逐漸衰減。

調制器的作用是調節F和L兩條通道傳遞的信號，通過耦合調制得到內部活動項Uij。

脈沖發生器用來控制脈沖的產生與否，當Uij≥θij時，神經元點火發放脈沖，即輸出Yij=1，否則神經元不點火，輸出Yij=0。其中動態閾值θij按指數形式隨時間衰減。

1.2 簡化PCNN模型

由上面介紹可知，基本PCNN神經元模型參數較多，對參數設置較為困難，運算起來也較為繁瑣，因此，本文將基本PCNN模型簡化。PCNN簡化模型的數學形式可用下列方程來描述。

(1)

(2)

(3)

(4)

(5)

式中：αθ為閾值衰減時間常數，Vθ為閾值幅度系數，Yij[n]為第n時刻神經元(i,j)的輸出，其他符號代表的含義同1.1小節所介紹。

由式(1)～(5)能夠知道，模型保持了原有特征，同時參數大大減少，并且饋送輸入Fij和鏈接輸入Lij均不再自身隨時間衰減。此時的饋送輸入Fij僅與外部刺激有關，其值為圖像的灰度值，而鏈接輸入Lij僅關聯神經元的鏈接信號，其值為周圍神經元的輸出值與鏈接權系數矩陣點乘后求和。簡化后PCNN模型的內部活動項沒有改變，脈沖產生與否仍然由內部活動項與動態閾值大小來決定。因此，簡化后PCNN模型保持了基本PCNN模型的一些特性。

2 改進PCNN模型降噪

2.1 改進突觸鏈接強度

基本PCNN模型所有神經元突觸鏈接強度均為同一初始設置值。實際上，神經元接收不同信號刺激時，其對周圍神經元影響的強弱是不同的，而傳統PCNN模型沒有更好地體現出不同神經元之間的差異性。因此，本文將突觸鏈接強度加以改進，使其根據不同神經元的各異性而自適應取值。具體取值方式如下。

(6)

式中：Fijkl[n]表示第n時刻神經元(i,j)鄰域內神經元(k,l)的饋送輸入，即Fkl；Pijkl[n]表示神經元(i,j)鄰域內所有神經元(k,l)的饋送輸入Fkl[n]的平均值。

由式(6)可以看出，每個神經元都有不同自適應取值的突觸鏈接強度：如果當前神經元(i,j)的饋送輸入值Fij[n]大于或等于其鄰域神經元饋送輸入值的平均值Pijkl[n]，這時當前神經元(i,j)的突觸鏈接強度βij[n]取值為1，即相當于當前神經元(i,j)對周圍神經元(k,l)引起了共振響應；否則，當前神經元(i,j)的突觸鏈接強度βij[n]取值為鄰域內其他神經元饋送輸入的平均值與當前神經元饋送輸入差值的倒數。突觸鏈接強度這樣取值是因為神經元(i,j)受到的外界刺激與其鄰域神經元(k,l)的外界刺激相似或較大時，其會帶動鄰域神經元(k,l)的活躍性，致使整個鄰域內神經元的活躍性提高，從而增大了內部活動項Uij[n]的取值，促進神經元(i,j)提早點火發放脈沖；若神經元(i,j)的外界激勵相對其鄰域神經元(k,l)的外界激勵較弱，即Pijkl[n]-Fij[n]在0～1取值時，可使突觸鏈接強度βij[n]取值較大，這樣鄰域神經元(k,l)也會帶動神經元(i,j)提前點火激活；但當神經元(i,j)的外界激勵相對其鄰域神經元(k,l)的外界激勵很小，即Pijkl[n]-Fij[n]>1時，神經元(i,j)不易被點火激活而處于抑制狀態。改進的突觸鏈接強度體現出不同神經元之間鏈接程度大小的不同，能更真實地模擬生物神經元，從而準確地定位噪聲位置，達到更好的降噪效果。

2.2 改進閾值函數

簡化PCNN模型閾值函數仍按指數形式衰減，而饋送輸入Fij是一定值，鏈接輸入Lij值較小，因此，對于灰度值較大的神經元內部活動項Uij[n]的值與饋送輸入值較為接近。而指數衰減的閾值，當閾值較大時，閾值函數衰減的速度就會較快，隨著閾值的減小，其衰減速度也逐漸減小，這樣導致較大值神經元對應的圖像區域有較小差異的大灰度值之間的分辨力較低，而較小值神經元對應的圖像區域有較小差異的小灰度值的分辨力較高，從而導致灰度值大的區域噪聲不易定位的缺點。因此，本文將動態閾值函數加以改進，其公式為

(7)

式中：K0、K1和K2均為大于零的常數，且K1取值要大于K0與K2，以達到使動態閾值快速下降，加快算法運行速度的目的，而K0及K2取較小值時，可以提高算法對圖像的分辨率。根據每次迭代的指數衰減閾值函數的改變大小，這里將灰度值大于200的看作大灰度值，小于55的看作小灰度值。

由圖2動態閾值的衰減曲線可以看出，改進后的閾值函數在灰度值較大和較小區域衰減速度均較慢，但灰度值在中間值附近時閾值函數衰減速度較快，從而保證了閾值函數衰減的平均速度不至于過慢。在保證準確分辨圖像不同灰度值的同時，選擇合適的K0、K1和K2值還會提高閾值衰減速率，從而提高降噪效率。此外，由圖2可知，隨著時間的增加指數衰減閾值的衰減速度逐漸降低，且始終大于零，致使較小的灰度值很難達到點火狀態，通過圖2及式(7)可以看出，改進閾值函數經過衰減，最后一次可以達到θij[n+1]≤0，這時即使灰度值最小的神經元也會點火發放脈沖，并且減少了算法運行時間。因此，改進閾值函數可以在有限時間內使所有神經元都點火輸出脈沖。

圖2 動態閾值衰減曲線Fig.2 Dynamic threshold attenuation curve

2.3 噪聲定位

由2.2節知道，改進閾值函數后，可以使所有神經元在有限時間內均點火發放脈沖，因此可添加一個記錄神經元點火時間的矩陣T，即神經元點火時間圖，其與PCNN及圖像相對應，大小相等。神經元點火時間矩陣T記錄著每個神經元的初次點火時間，即當第n時刻神經元(i,j)首次點火，其對應的點火時間矩陣元素tij=n。

為了判斷噪聲位置，文獻[15]采用一個全1的(2m+1)×(2m+1)窗口對點火時間矩陣T中的元素逐個掃描，并對相應的(2m+1)×(2m+1)個元素排序來判斷噪聲點。上述方法分析矩陣T中所有元素，算法運行時間較長。根據椒鹽噪聲的特點，噪聲將出現在灰度值最大的亮點處或灰度值最小的暗點處，即矩陣T中元素為最大值或最小值對應的圖像位置，因此，本文算法中僅分析矩陣T中最大和最小元素，大大縮減了算法的運行時間。本文對噪聲定位的具體過程為：

將點火時間矩陣T中所有最大及最小元素tij均與各自的(2m+1)×(2m+1)鄰域元素tkl相減，得到若干個(2m+1)×(2m+1)窗口大小的矩陣Dij，其中m為正整數。如果矩陣Dij中除中間元素外有一半以上元素小于-1，此時神經元(i,j)未能捕獲鄰域內大多數神經元(k,l)，與它們均有較大差異，因此，可判斷神經元(i,j)對應的像素點為大值噪聲點(灰度最大值為255)，即噪聲點的灰度值為最大值，應使其減小；如果矩陣Dij中除中間元素外有一半以上元素大于1，此時神經元(i,j)未能被鄰域內大多數神經元(k,l)捕獲，與鄰域內大多數神經元(k,l)亦均有較大差異，因此，可判斷神經元(i,j)對應的像素點為小值噪聲點(灰度最小值為0)，即噪聲點的灰度值為最小值，應使其增大。其他情況均認定為不是噪聲點。由文獻[11]可知，根據噪聲密度的不同，調節m的值來控制(2m+1)×(2m+1)窗口大小，能夠更準確辨別噪聲。

2.4 PCNN濾波算法

本文方法可以將圖像中噪聲點準確定位，因此不必對每個像素點都做濾波處理，僅對被判定為噪聲的像素點進行濾波。具體算法步驟如下：

1)初始化PCNN，設置各個參數初始值，同時令神經元均處于熄火狀態，即Yij=0。

2)輸入含噪圖像，在PCNN中按式(1)～(4)及式(6)和式(7)循環迭代，直到所有神經元均點火發放脈沖，同時記錄神經元初次點火時間于點火時間矩陣T中。

3)應用2.3小節介紹的方式定位噪聲。對大值噪聲點和小值噪聲點均采用(2m+1)×(2m+1)窗口局部中值濾波。除以上情況外，直接輸出原灰度值。

4)輸出降噪后圖像。

此外，對降噪后圖像進行評價后，如果效果仍較差，可對降噪后圖像再執行一次降噪。

3 實驗驗證與結果分析

本文以常用Lena圖像和作者拍攝的Deer圖像來驗證改進算法對圖像降噪的性能。原始Lena圖像和Deer圖像如圖3所示，均為256×256大小的灰度圖像。測試客觀評價結果采用峰值信噪比(PSNR)、均方誤差(MSE)、信噪比改善因子(ISNR)等指標對降噪性能進行客觀評價并進一步分析。

(a) 原始Lena圖像 (b)原始Deer圖像圖3 測試圖像的原始圖像Fig.3 The original images for test

參照文獻[15]將測試參數選擇為：θ0=260、W=[0.5 1 0.5;1 0 1;0.5 1 0.5]，取K0=8、K1=15、K2=8。

圖4和圖5分別為Lena圖像和Deer圖像通過添加密度為10%的椒鹽噪聲，并采用不同降噪方法的測試結果的主觀視覺圖。

從圖3～圖5可以看出，本文提出的降噪方法能夠有效地濾除圖像中的噪聲，通過降噪所得到的視覺效果要優于中值降噪及均值降噪，不僅去除了噪聲點，同時保護了圖像邊緣細節等信息，使圖像輪廓清晰，改善了圖像質量。

圖6為Lena圖像添加密度10%的椒鹽噪聲降噪后的局部效果圖，從圖中可以看出，本文方法較文獻[10]更好地保持了圖像的紋理信息。由于本文方法可對噪聲準確定位，并且僅對噪聲點進行中值濾波，不改變圖像中原有的灰度值，從而減少了對圖像灰度值的破壞，很好地保持了圖像紋理。

圖4 Lena圖像添加密度10%的椒鹽噪聲降噪效果Fig.4 Noise reduction results for Lena image added the salt and pepper noise with a density of 10%

圖5 Deer圖像添加密度10%的椒鹽噪聲降噪效果Fig.5 Noise reduction results for Deer image added the salt and pepper noise with a density of 10%

(a) 原始圖像 (b)文獻[10]降噪圖像(c)本文降噪圖像圖6 降噪細節比較Fig.6 Detail comparison of noise reduction results

為了進一步客觀評價本文算法的降噪能力，筆者做了多次測試，并將客觀評價結果列于表1。表1給出了Lena圖像和Deer圖像添加密度為10%的椒鹽噪聲PSNR、MSE、ISNR3種評價指標的對比，表2中數據為針對Lena圖像受不同強度椒鹽噪聲污染情況降噪后的PSNR性能。

表1Lena圖像和Deer圖像加10%椒鹽噪聲時降噪性能評價

Table 1 The noise reduction performance of Lena and Deer images with 10% impulse noise

評價指標LenaPSNRMSEISNRDeerPSNRMSEISNR加噪圖像15．5151826015．04820340均值降噪23．450290．5-8．0420．813539．3-5．70中值降噪31．00351．62-15．5723．520289．2-8．41本文算法38．2659．70-22．8132．42337．22-17．32

表1中兩種圖像均是本文降噪算法的PSNR值最大，且遠高于中值降噪和均值降噪，驗證了本文算法的降噪性能優于中值降噪及均值降噪。而MSE值最小說明本文算法有效濾除了噪聲，ISNR有最小的負值也表明本文算法對噪聲的抑制效果最好。

表2 不同噪聲強度降噪后PSNR性能比較( Lena圖像)

Table 2 The comparison of PSNR performance after noise reduction with different noise intensity(Lena image)

評價指標6%10%14%20%30%50%加噪圖像17．5515．5213．9812．4110．718．45均值降噪25．2523．5422．1822．0820．2818．36中值降噪31．8331．0030．2129．5727．5524．77文獻[10]34．1433．90—32．4230．15—文獻[15]33．7732．7531．9530．51——本文算法40．9738．2836．5734．6431．6227．49

表2中文獻[10]與文獻[15]的降噪評價指標為原文中數據。由表2可知，隨著噪聲密度的增大，PSNR值逐漸減小，但在同一密度情況下，本文算法的PSNR值最大，濾波效果最佳。表明本文方法不僅優于傳統降噪算法，而且較文獻[10]與文獻[15]所提方法也有較大的優勢。從峰值信噪比來看，本文方法的峰值信噪比顯著高于與之比較的其他方法，得到了更為接近原始圖像的降噪圖像。因此，通過表2中的實驗數據可以得出，盡管圖像受污染的程度不同，但在比較的濾波算法中，本文所提出的改進算法在濾除圖像椒鹽噪聲時去噪性能最強。

脈沖耦合神經網絡能夠辨識出噪聲點，并針對噪聲點進行有目的的濾波，文獻[10]在改進突觸鏈接強度后對濾波效果有所改善，而本文利用另一種策略改進PCNN的突觸鏈接強度，使突觸鏈接強度的取值更加合理，同時對閾值函數進行改進，提高了算法對圖像大灰度值之間及小灰度值之間的分辨力，并且在一定程度上還能夠降低算法運行時間。因此本文方法提高了對圖像椒鹽噪聲定位的精確度，對噪聲的濾除不改變圖像中原有的灰度值，要較其他傳統降噪方法以及文獻[10]與文獻[15]方法好的多。雖然在噪聲密度較大時降噪性能有所下降，但依然較其他方法濾波有較高的峰值信噪比。

此外，筆者測試了參數K0、K1、K2選取不同值時對降噪效果的影響，參數取值見表3。Lena圖像添加10%椒鹽噪聲時的測試評價結果如表4，其中算法運行時間單位為s，表4中序號與表3序號閾值函數參數取值相對應。

表3 閾值函數參數取值

表4 閾值函數參數取不同值時降噪效果評價

Table 4 Noise reduction effect evaluation under different parameter values of threshold function

序號PSNRMSEISNRTIME137．998410．3272-22．544245．8345238．50359．1827-23．050330．2665336．071016．0768-20．590521．7057438．24769．9168-22．770040．6464537．925310．4867-22．452927．0175

從表4中能夠看出，序號2中除了算法運行時間不是最優外，其他性能評價指標均較優，各參數取值越小，算法運行時間越長，而K0與K2取值較大時性能指標下降較大，但整體綜合分析參數選擇對性能影響不是很大。因此，在具體應用中，應綜合分析、合理選擇式(7)中的參數。

4 結束語

本文提出了一種使突觸鏈接強度自適應取值以及閾值函數隨時間分段衰減的改進PCNN模型。該方法提高了分辨圖像不同灰度值的能力，能夠較準確地定位噪聲，實現了更好的降噪效果。經過實驗測試，驗證了該方法能夠準確地辨識圖像椒鹽噪聲點，并有效地將噪聲點濾除，降噪效果好于與其比較的其他方法，同時對圖像的邊緣細節有較好的保護效果。

[1]NAKARIYAKUL S. Fast spatial averaging: an efficient algorithm for 2D mean filtering[J]. The journal of supercomputing, 2013, 65(1): 262-273.

[2]YUAN Xinxing, WEN Peng, FAN Xiuxiang, et al. A local pixel distribution based self-adaptive median filter for removal of pepper and salt noise[J]. IFAC proceedings volumes, 2013, 46(20): 63-67.

[3]WANG Huiyan, ZHENG Jia. Comparative study of tongue image denoising methods[J]. Journal of computers, 2013, 8(3): 787-794.

[4]張文興, 閆海鵬, 王建國. 基于改進脈沖耦合神經網絡的數據降噪方法研究[J]. 機械設計與制造, 2015(2): 25-28. ZHANG Wenxing, YAN Haipeng, WANG Jianguo. Research on data noise reduction method based on modified PCNN[J]. Machinery design & manufacture, 2015(2): 25-28.

[5]WANG Zhaobin, MA Yide, CHENG Feiyan, et al. Review of pulse-coupled neural networks[J]. Image and vision computing, 2010, 28(1): 5-13.

[6]SUBASHINI M M, SAHOO S K. Pulse coupled neural networks and its applications[J]. Expert systems with applications, 2014, 41(8): 3965-3974.

[7]沈艷, 張曉明, 韓凱歌, 等. PCNN圖像分割技術研究[J]. 現代電子技術, 2014, 37(2): 38-41. SHEN Yan, ZHANG Xiaoming, HAN Kaige, et al. Research of image segmentation technology based on PCNN[J]. Modern electronics technique, 2014, 37(2): 38-41.

[8]周東國, 高潮, 郭永彩. 一種參數自適應的簡化PCNN圖像分割方法[J]. 自動化學報, 2014, 40(6): 1191-1197. ZHOU Dongguo, GAO Chao, GUO Yongcai. Adaptive simplified PCNN parameter setting for image segmentation[J]. Acta automatica sinica, 2014, 40(6): 1191-1197.

[9]李翔. 基于脈沖耦合神經網絡的圖像識別和圖像檢索算法研究[D]. 昆明: 云南大學, 2014. LI Xiang. Research on image recognition and image retrieval algorithm based on pulse coupled neural network[D]. Kunming: Yunnan University, 2014.

[10]張文興, 閆海鵬, 王建國. 一種基于脈沖耦合神經網絡的圖像降噪方法[J]. 圖學學報, 2015, 36(1): 47-51. ZHANG Wenxing, YAN Haipeng, WANG Jianguo. A method for image de-noising based on pulse coupled neural network[J]. Journal of graphics, 2015, 36(1): 47-51.

[11]李海燕, 張榆鋒, 施心陵, 等. 基于脈沖耦合神經網絡的自適應圖像濾波[J]. 計算機應用, 2011, 31(4): 1037-1039, 1106. LI Haiyan, ZHANG Yufeng, SHI Xinling, et al. Adaptive filtering method for images based on pulse-coupled neural network[J]. Journal of computer applications, 2011, 31(4): 1037-1039, 1106.

[12]張艷珠, 李媛, 李小娟. 簡化型PCNN的混合噪聲圖像濾波算法研究[J]. 控制工程, 2013, 20(5): 829-832. ZHANG Yanzhu, LI Yuan, LI Xiaojuan. The research of hybrid noise filtering for images based on pulse coupled neural network[J]. Control engineering of China, 2013, 20(5): 829-832.

[13]劉勍. 基于脈沖耦合神經網絡的圖像處理若干問題研究[D]. 西安: 西安電子科技大學, 2011. LIU Qing. Research on several issues about image processing based on pulse coupled neural networks[D]. Xi’an: Xidian University, 2011.

[14]樊洪斌. 脈沖耦合神經網絡在醫學圖像處理中的應用研究[D]. 桂林: 廣西師范大學, 2009. FAN Hongbin. The applications in the medical image processing based on pulse coupled neural network[D]. Guilin: Guangxi Normal University, 2009.

[15]劉勍, 馬義德. 一種基于PCNN賦時矩陣的圖像去噪新算法[J]. 電子與信息學報, 2008, 30(8): 1869-1873. LIU Qing, MA Yide. A new algorithm for noise reducing of image based on PCNN time matrix[J]. Journal of electronics & information technology, 2008, 30(8): 1869-1873.

閆海鵬，男，1987年生，博士研究生，主要研究方向為脆性材料加工、噪聲檢測與去除。主持完成內蒙古自治區研究生科研創新項目1項，參與國家自然科學基金項目2項。發表學術論文11篇。

吳玉厚，男，1955年生，教授，博士生導師，博士，主要研究方向為陶瓷零件精密加工制造技術、數控機床高速主軸系統關鍵技術。主持完成國家級、省部級科研課題20余項。獲得國家技術發明二等獎1項，國家科技進步二等獎1項，國家專利金獎1項，國家專利優秀獎1項，遼寧省技術發明一等獎2項，遼寧省科技進步一等獎1項，省部級科技獎二等獎7項。國家發明專利10項。發表學術論文387篇，被SCI、EI檢索132篇，出版專著8部。

Filtering image impulse noise by usinga PCNN image noise reduction technique

YAN Haipeng1， WU Yuhou2

(1. School of Mechanical Engineering, Shenyang Jianzhu University, Shenyang 110168, China; 2. National-Local Joint Engineering Laboratory of High-Grade Stone Numerical Control Machining Equipments and Technology, Shenyang Jianzhu University, Shenyang 110168, China)

Traditional methods for image noise reduction typically damage the edges and details of an image, blur image contours, and thereby make them indistinct after image noise reduction is complete. To achieve better results in image noise reduction, we propose a pulse coupling neural network (PCNN) image noise reduction method based on a modified synaptic link strength and a modified threshold function. We simplified the basic PCNN model and adaptively changed the synaptic link strength value; further, we improved the threshold function by using a segmented attenuation function so as to improve the resolving power for different gray values of the given images. We improved the accuracy of our algorithm for identifying noise by positioning noise points according to the difference of firing times between the neuron and its surrounding neurons. Using this approach, we achieved better noise reduction results; our experimental results showed that our proposed method was able to accurately identify image impulse noise points and effectively remove these noise points. Further, through subjective evaluation, we observed that image edge details were also protected.

image noise reduction; pulse coupling neural network; synaptic link strength; threshold function; resolving power

2016-05-26.

日期：2017-01-11.

國家自然科學基金項目(51375317).

吳玉厚. E-mail：wuyh@sjzu.edu.cn.

10.11992/tis.201605027

http://www.cnki.net/kcms/detail/23.1538.tp.20170111.1705.014.html

TP391

A

1673-4785(2017)02-0272-07

閆海鵬，吳玉厚. 基于PCNN的圖像椒鹽噪聲濾除方法[J]. 智能系統學報， 2017, 12(2): 272-272.

英文引用格式：YAN Haipeng， WU Yuhou. Filtering image impulse noise by using a PCNN image noise reduction technique[J]. CAAI transactions on intelligent systems, 2017, 12(2): 272-278.