论文部分内容阅读
脉冲耦合神经网络(Pulse Coupled Neural Network-PCNN)是最新型的具有生物视觉特性的第三代人工神经网络,1989年在Nature杂志上GRAY根据发现的猫视觉皮层神经元可以激发相关振荡现象发表GRAY模型,随后ECKHON又研究出猫大脑皮层视觉神经元同步脉冲发放现象对GRAY模型进行修改,提出了PCNN的最初模型。脉冲耦合神经网络模型利用了神经元的耦合特性,结合了生物电传输的时延和衰减特性以及受到刺激时哺乳动物的神经系统中相邻神经元能同步产生脉冲使其逼近实际生物神经网络的特性,这样就能使该模型对周围信号的处理能力更强,对环境的适应能力更好。由于脉冲耦合神经网络是单层模型,减少了通过训练达到处理的目的,所以非常适合图像处理方面,比如对图像噪声的滤除,一直是研究的热点和难点。本文对PCNN基本模型进行了深入的研究,基于此模型提出了一种新的高斯噪声滤波方法;基于以上创新研究又结合灰度极限进行混和噪声滤波研究;为减少参数影响提出PCNN简化模型,并基于此对混合噪声滤波进一步深入研究。所做的研究工作及所取得的进展如下:一、提出了一种自适应改变可变步长、PCNN赋时矩阵和多种滤波方法相结合的图像高斯噪声去噪新方法。该方法首先用PCNN基本模型求得噪声图像的初次点火时刻矩阵即赋时矩阵,然后在一滑动的窗口中根据目标神经元与周围神经元在赋时矩阵中的点火时刻关系确定噪声点,再通过增加可变步长、减少可变步长、中值滤波和维纳滤波这几种方法对噪声点进行滤除,之后为平滑滤波后图像对图像再次使用非线性维纳滤波。实验结果表明该方法的去噪效果较好,与其它几种去噪方法相比得到的峰值信噪比和信噪比改善因子更好。二、提出了一种把像素灰度极值和PCNN相结合的混合噪声滤波新算法。该算法先根据椒盐噪声特性利用像素极值检测出椒盐噪声,然后只用非噪声像素的灰度平均值对椒盐噪声进行滤波,因而有效地减少了噪声影响,更多地保留原图像的细节信息,再利用PCNN赋时矩阵定位高斯噪声点,通过灵活选用不同的滤波方法和调整可变步长来去除高斯噪声。实验结果显示本文方法较其它几种混合噪声滤波方法在滤波效果、自适应性及图像细节保留方面有明显的优势。三、提出了一种依据简化的PCNN模型滤除混合噪声的新算法。该算法将PCNN基本模型简化,避免了参数繁多、设置困难的问题。在简化的PCNN模型基础上,利用椒盐噪声的特性和PCNN的点火矩阵再结合之前做的高斯噪声去噪方法对混合噪声进行滤波。实验结果表明该方法比一些只利用PCNN基本模型的去噪方法和几种传统的滤波方法的去噪效果更好,证实了该算法更具优势。