基于PCNN賦時(shí)矩陣的圖像特征捆綁方法研究

徐　潔

(山西金融職業(yè)學(xué)院，山西 太原 030008)

?

基于PCNN賦時(shí)矩陣的圖像特征捆綁方法研究

徐潔

(山西金融職業(yè)學(xué)院，山西 太原 030008)

摘要：本文介紹了傳統(tǒng)的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的基本原理及結(jié)構(gòu)，并在此基礎(chǔ)上提出了一種基于賦時(shí)矩陣的簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型。通過(guò)將其應(yīng)用于圖像特征捆綁的具體實(shí)際，即利用賦時(shí)矩陣記錄的各神經(jīng)元第一次點(diǎn)火時(shí)間將圖像的顏色與形狀信息進(jìn)行特征的分離及捆綁，從而驗(yàn)證了本文模型的有效性。

關(guān)鍵詞：PCNN；賦時(shí)矩陣；特征捆綁

1引言

圖像的識(shí)別與處理一直是計(jì)算機(jī)領(lǐng)域關(guān)注的對(duì)象，也有非常廣泛的應(yīng)用背景。國(guó)內(nèi)外研究理論表明，客體對(duì)事物的認(rèn)識(shí)經(jīng)歷著對(duì)零散信息的認(rèn)知及整合的過(guò)程。人們?nèi)庋鬯吹降囊环鶊D像，其中最基本的兩個(gè)特征便是圖像的顏色與形狀信息。那么，對(duì)于圖像來(lái)說(shuō)，人眼是如何區(qū)分開(kāi)不同的顏色及不同的形狀，又是如何將屬于同一對(duì)象的顏色與形狀信息聯(lián)系在一起，而不是錯(cuò)誤的結(jié)合，就是本文所要考慮的捆綁問(wèn)題，也是目前亟待解決的問(wèn)題。

目前針對(duì)于特征捆綁的研究理論有很多，包括特征整合理論[1]、捆綁的雙階段理論[2]、位置的不確定理論以及神經(jīng)元同步激活理論[3]等。但是在捆綁理論之外，具體的特征捆綁的模型卻非常少，其中有代表性的有史忠植等人提出的Bayesian Linking Field模型以及李海芳等人提出的基于強(qiáng)度的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型。基于強(qiáng)度的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型提出了將顏色和形狀特征進(jìn)行捆綁的方法，但是捆綁結(jié)果的邊緣信息并不是很清晰，邊緣信息混雜在圖形及背景之間。

為此，本文提出了一種基于PCNN賦值矩陣的特征捆綁模型，對(duì)視覺(jué)感知過(guò)程中圖像的特征捆綁問(wèn)題進(jìn)行研究。仿真實(shí)驗(yàn)表明，該模型能夠很好地實(shí)現(xiàn)圖像顏色與形狀特征的分離及捆綁。

2傳統(tǒng)PCNN模型

傳統(tǒng)PCNN被稱(chēng)為第三代人工神經(jīng)網(wǎng)絡(luò)，該模型是通過(guò)對(duì)猴子和貓等動(dòng)物進(jìn)行研究，進(jìn)而發(fā)現(xiàn)這些動(dòng)物的大腦皮層上有同步脈沖發(fā)放的現(xiàn)象而提出的[4]。現(xiàn)在PCNN在圖像處理方面有著廣泛的應(yīng)用，也逐步體現(xiàn)出了它在處理圖像方面的顯著優(yōu)勢(shì)。PCNN模型不需要像傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型一樣經(jīng)過(guò)學(xué)習(xí)或者訓(xùn)練，就能夠在復(fù)雜背景下提取有效信息，它的信號(hào)形式和處理機(jī)制也更加符合人類(lèi)視覺(jué)神經(jīng)系統(tǒng)的生理學(xué)基礎(chǔ)。

傳統(tǒng)PCNN模型是一個(gè)二維的神經(jīng)元陣列，當(dāng)模型應(yīng)用于圖像處理時(shí)，模型中的神經(jīng)元數(shù)目和圖像的像素?cái)?shù)目是一樣的，也就是說(shuō)脈沖耦合神經(jīng)網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元對(duì)應(yīng)于輸入圖像中的每一個(gè)像素，所輸入的圖像決定了PCNN的網(wǎng)絡(luò)結(jié)構(gòu)。單個(gè)PCNN神經(jīng)元模型包含三個(gè)主要部分：輸入部分(Receiving Part)、調(diào)制部分(Modulating Part)和脈沖產(chǎn)生部分(Pulse Generating Part)，如圖1所示。

圖1　傳統(tǒng)PCNN模型

傳統(tǒng)PCNN模型的公式描述如公式(1)～公式(5)所示[5]：

(1)

(2)

Uij(n)=Fij(n)(a+βLij(n))

(3)

θij(n)=e-αθθij(n-1)+VθYij(n-1)

(4)

(5)

在上述方程中，下標(biāo)ij表示的是當(dāng)前神經(jīng)元的標(biāo)號(hào)，下標(biāo)k1表示的是鄰域神經(jīng)元的標(biāo)號(hào)，n為迭代的次數(shù)；模型的輸入部分由兩部分組成，分別為L(zhǎng)通道和F通道。其中，Lij表示神經(jīng)元的外部輸入刺激，F(xiàn)ij表示神經(jīng)元的反饋輸入；模型的調(diào)制部分，神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)Uij由Lij和Fij調(diào)制產(chǎn)生；模型的輸出部分，活動(dòng)閾值θij跟隨著輸出Yij的變化而發(fā)生變化，當(dāng)內(nèi)部活動(dòng)項(xiàng)Uij大于活動(dòng)閾值θij時(shí)，神經(jīng)元被激發(fā)，產(chǎn)生輸出脈沖。

3簡(jiǎn)化PCNN模型及賦時(shí)矩陣

傳統(tǒng)的PCNN模型過(guò)于復(fù)雜，需要恰當(dāng)?shù)脑O(shè)置模型中的各類(lèi)參數(shù)，才能夠得到較好的實(shí)驗(yàn)效果，因此最優(yōu)參數(shù)的選擇就成為了模型最先要解決的問(wèn)題。而PCNN模型中的每一個(gè)參數(shù)都具有特定的物理含義，對(duì)于最優(yōu)參數(shù)的選取，還需要通過(guò)實(shí)驗(yàn)來(lái)進(jìn)行逐步的設(shè)定，制約了脈沖耦合神經(jīng)網(wǎng)絡(luò)應(yīng)用的深度和廣度，因此在本文中采用簡(jiǎn)化的PCNN模型[6]255-257，反饋輸入項(xiàng)、鏈接輸入項(xiàng)及內(nèi)部活動(dòng)項(xiàng)分別采用公式(6)～(8)進(jìn)行運(yùn)算。

Fij(n)=Iij

(6)

Lij(n)=∑MYij(n-1)

(7)

Uij(n)=Fij(n)(1+βLij(n))

(8)

傳統(tǒng)PCNN中Yij作為鏈接輸入項(xiàng)的一部分影響著其周?chē)纳窠?jīng)元，因?yàn)閭鹘y(tǒng)PCNN模型中的對(duì)周?chē)窠?jīng)元的影響只有0和1兩種情況，造成了加權(quán)不公平的情況，從而導(dǎo)致模型的結(jié)果有所偏差。所以，本文模型中將輸出項(xiàng)修改為公式(9)所示形式，這樣可以使得不同輸入的神經(jīng)元對(duì)周?chē)窠?jīng)元的影響區(qū)分開(kāi)來(lái)，便于后期進(jìn)行圖像特征的分離。

Yij(n)=Uij(n)/θij(n)

(9)

傳統(tǒng)PCNN中以Yij作為模型的輸出，并以此作為圖像處理的依據(jù)。但對(duì)于本文進(jìn)行圖像的顏色與形狀的特征分離及捆綁來(lái)說(shuō)，傳統(tǒng)PCNN模型的二值輸入無(wú)法滿足需求，本文采用賦時(shí)矩陣Tij作為模型的輸出，賦時(shí)矩陣中準(zhǔn)確的記錄著每一個(gè)神經(jīng)元的第一次點(diǎn)火時(shí)間，如公式(10)所示。

(10)

傳統(tǒng)PCNN模型中閾值的輸出是有規(guī)律的周而復(fù)始，如圖1所示。但是這種有周期性的脈沖變化并不符合人眼對(duì)事物的認(rèn)識(shí)[6]255-257，本文中考慮的只是神經(jīng)元發(fā)放脈沖的一次循環(huán)過(guò)程，所以將閾值輸出部分修改為簡(jiǎn)單的單調(diào)遞減指數(shù)函數(shù)，如公式(11)所示，使其更加符合特定的特征捆綁任務(wù)。

θij(n)=e-αθθij(n-1)

(11)

4實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)原理

在圖像顏色與形狀捆綁過(guò)程中，需要將輸入的彩色圖像轉(zhuǎn)換為灰度圖像，并使用改進(jìn)的PCNN模型進(jìn)行處理，圖像特征分離及捆綁依據(jù)賦時(shí)矩陣的輸出結(jié)果。其中，轉(zhuǎn)換后的灰度圖像是一個(gè)二維的矩陣，二維矩陣的每一個(gè)像素對(duì)應(yīng)于PCNN模型中的每一個(gè)神經(jīng)元，以每一個(gè)像素的像素值作為該神經(jīng)元的外部輸入。

4.2 實(shí)驗(yàn)圖像

在這一節(jié)，將通過(guò)一幅圖像作為模型的輸入來(lái)演示如何針對(duì)具體圖像進(jìn)行顏色及形狀的分離和捆綁，從而驗(yàn)證本模型的有效性。本文所采用的實(shí)驗(yàn)圖像包含三個(gè)數(shù)字，分別為數(shù)字1、數(shù)字6以及數(shù)字3，它們擁有不同的顏色。數(shù)字1所對(duì)應(yīng)的RGB值為(160,60,10)，數(shù)字6為(200,80,80)，數(shù)字3為(20,100,10)，背景為白色，所對(duì)應(yīng)的RGB值為(255,255,255)，如圖3所示。

圖3　實(shí)驗(yàn)圖像

4.3 特征分離

PCNN模型中，輸入圖像的像素值對(duì)應(yīng)于相應(yīng)神經(jīng)元的輸入，神經(jīng)元的輸入不同，相應(yīng)的神經(jīng)元的初次點(diǎn)火時(shí)間便不相同，而通過(guò)模型得到的賦時(shí)矩陣中準(zhǔn)確的記錄著每一個(gè)神經(jīng)元的初次點(diǎn)火時(shí)間，通過(guò)點(diǎn)火時(shí)間的不同將不同輸入的神經(jīng)元區(qū)分開(kāi)來(lái)。而輸入圖像的像素值對(duì)應(yīng)著圖像的顏色信息，所以通過(guò)PCNN模型的處理可以將不同的顏色信息區(qū)分開(kāi)來(lái)。同時(shí)，一個(gè)圖形邊緣部分的像素值和圖形內(nèi)部的像素值是相同或相近的，但邊緣部分的像素值和內(nèi)部的像素值所對(duì)應(yīng)的鄰域內(nèi)的神經(jīng)元卻有很大的差異，而這些差異也將導(dǎo)致不同的點(diǎn)火時(shí)間，這樣就可以將不同圖形的形狀信息分離出來(lái)。

圖4　特征分離結(jié)果顯示

由特征分離結(jié)果可以看出，圖像中數(shù)字部分在不同的時(shí)刻點(diǎn)火。數(shù)字1在第10次迭代過(guò)程中點(diǎn)火，數(shù)字6在第12次迭代過(guò)程中點(diǎn)火，數(shù)字3在第10次迭代過(guò)程中點(diǎn)火，背景部分200不同的點(diǎn)火時(shí)間代表著不同的神經(jīng)元輸入。同時(shí)在圖中能夠清楚的看到數(shù)字的邊緣信息，因?yàn)檫吘壪袼氐闹蹬c內(nèi)部神經(jīng)元的值是相同或相近的，但由于領(lǐng)域內(nèi)神經(jīng)元的不同輸入，導(dǎo)致邊緣神經(jīng)元的點(diǎn)火時(shí)間介于圖形內(nèi)部神經(jīng)元和背景神經(jīng)元點(diǎn)火時(shí)間之間，清楚的顯示著圖形的邊緣信息?？傊?，圖形的顏色信息由不同的點(diǎn)火時(shí)間來(lái)確定，圖形的形狀信息由邊緣神經(jīng)元來(lái)確定。這樣，圖像的顏色與形狀信息就被分離開(kāi)來(lái)了。

4.4 特征捆綁

在PCNN模型運(yùn)行過(guò)程中，神經(jīng)元接收到的外部刺激越大，被激活的時(shí)間越早，神經(jīng)元接收到的外部刺激越小，被激活的時(shí)間越晚，神經(jīng)元被激活的時(shí)間的早晚與神經(jīng)元接收到的外部刺激的大小有直接的關(guān)系。

彩色RGB空間向灰度空間轉(zhuǎn)換的公式為GRAY=0.299R+0.587G+0.114B，經(jīng)計(jì)算，本文所給出的實(shí)驗(yàn)圖像中數(shù)字1所對(duì)應(yīng)的灰度值為84.2，數(shù)字6所對(duì)應(yīng)的灰度值為115.88，數(shù)字3所對(duì)應(yīng)的灰度值為65.82，背景所對(duì)應(yīng)的灰度值為255。在基于PCNN賦時(shí)矩陣的捆綁模型中，圖像中每一個(gè)像素的灰度值都對(duì)應(yīng)于相應(yīng)神經(jīng)元的外部輸入刺激，灰度值越大，神經(jīng)元就會(huì)越早被激活，灰度值越小，神經(jīng)元就會(huì)越晚被激活，故而根據(jù)灰度值的大小可以判斷出三個(gè)圖形的激活時(shí)間順序分別為：背景部分、數(shù)字6、數(shù)字1、數(shù)字3，而根據(jù)PCNN模型分離結(jié)果得到的各個(gè)對(duì)象的點(diǎn)火時(shí)間也驗(yàn)證了這一點(diǎn)，如圖4所示。

通過(guò)重復(fù)對(duì)圖形內(nèi)部取200個(gè)不同的神經(jīng)元坐標(biāo)值進(jìn)行計(jì)算，每次得到的神經(jīng)元發(fā)放脈沖的順序都是一樣，分別為背景部分、數(shù)字6、數(shù)字1、數(shù)字3；同時(shí)通過(guò)重復(fù)對(duì)圖形邊緣部分取200個(gè)不同的神經(jīng)元坐標(biāo)值進(jìn)行計(jì)算，得到的邊緣部分對(duì)應(yīng)的神經(jīng)元發(fā)放脈沖的順序也都是一樣的，分別為背景部分的邊緣、數(shù)字6部分的邊緣、數(shù)字1部分的邊緣、數(shù)字3部分的邊緣。這樣，就可以按照發(fā)放脈沖的順序?qū)儆谕粋€(gè)對(duì)象的顏色與形狀特征捆綁在一起。

5結(jié)束語(yǔ)

本文在傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了一種基于PCNN賦時(shí)矩陣的捆綁模型，將賦時(shí)矩陣作為模型的輸出進(jìn)行特征的分離及捆綁。實(shí)驗(yàn)表明，該模型能夠很好的完成圖像顏色與形狀的捆綁任務(wù)。

參考文獻(xiàn)：

[1]TreismanAM,GeladeG.Afeature-integrationtheoryofattention[J].CognitivePsychology，1980, 12(1): 97-136.

[2]HumphreysGW,CinelC,WolfeJ,etal.Fractionatingthebindingprocess:neuropsychologicalevidencedistinguishingbindingofformfrombindingofsurfacefeatures[J].VisionResearch, 2000, 40(12): 1569-1596.

[3]EngelAK,SingerW.Temporalbindingandtheneuralcorrelatesofsensoryawareness[J].TrendsincognitiveSciences, 2001, 5(1): 16-25.

[4]J.L.Johnson,M.L.Padgett.PCNNmodelsandapplications[J].IEEETransactionsonNeuralNetworks,vol. 10,no.3,pp.480-498, 1999.

[5]J.M.Kinser.Asimplifiedpulse-coupledneuralnetwork[C].Orlando:ProceedingsofSPIE,vol. 2760,no. 3,pp. 563-569, 1996.

[6]LiuM,GongHL,LiuJL.PCNNmodelbasedonvectorandapplications[J].Control&Automation，2009, 25(4-3)：255-257.

(責(zé)任編輯侯中巖)

中圖分類(lèi)號(hào)：TP183

文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1673-5382(2015)04-0086-04

作者簡(jiǎn)介：.徐潔(1987-)，女，山西晉城人，山西金融職業(yè)學(xué)院助教，碩士.

收稿日期：2015-08-03