从20世纪90年代开始,Eckhorn等对猫、猴等生物视觉皮层神经元脉冲串同步震荡现象开展研究,进一步演化得到了哺乳动物的近似神经元模型,随着不断的深入研究建立了脉冲耦合神经网络模型(Pulse Coupled Neural Network, PCNN)。PCNN是对哺乳动物大脑皮层视觉中枢神经元的简化模型,且PCNN对图像的处理结果具有很多优良特性,如尺度不变性、旋转不变性、强度不变性、以及扭曲不变性等特点。与此同时,PCNN还可以结合其它经典的图像处理方法,如中值滤波、维纳滤波以及一些经典的模式分类器如BP (Back-Propagation, BP)神经网络、贝叶斯、小波等,在一定程度上弥补了其自身存在的不足。目前PCNN仍然存在很多工作要做,如参数的自适应调整以及对图像处理的效果都是国内外研究的热点与难点,PCNN处理图像的效果没有一定的标准来衡量,只能通过主观判断来确定,因此得到一个好的评价标准十分必要。本文主要是针对脉冲耦合神经网络的模型、参数调整以及在图像处理的中的应用展开讨论,其主要内容围绕基于PCNN的特征提取与图像识别展开研究。图像识别主要分为图像获取、预处理、特征提取、识别4个主要阶段,本文分别针对后三个阶段展开研究,并通过模拟实验实现整个过程。在预处理阶段主要是对图像进行去噪、必要的几何变换等。对于去噪,介绍了均值滤波、中值滤波算法以及相应的处理结果,详细介绍了彩色形态学在图像处理中的应用。特征提取阶段分别探讨其在简单几何图形与复杂图形上的特征提取与识别,文中所涉及到的特征主要有特征时间序列、信息熵序列以及欧拉序列,最后结合模式分类器如最小距离分类器、BP网络模式分类器等进行下一步识别,通过模拟实验验证了其优越的特征提取能力。最后对参数的自适应调整做了一些工作。论文的主要章节是这样安排的：首先,第一章对PCNN的研究现状、研究目的以及研究意义给予简单的描述与概括,并阐述了本文的主要工作与内容安排。第二章介绍了人工神经网络的基本知识,基本原理。第三章对PCNN理论及模型给予详细的推导和介绍,重点介绍了PCNN神经元模型的来源、工作原理以及神经元点火周期特性,同时还探讨了脉冲耦合神经网络模型在耦合与无耦合两种情况之下神经元工作原理,并结合电路理论模型来加以补充解释说明。具体来说,脉冲耦合神经网络与图像中的像素点是一一对应的,也就是说,一幅图像具有多少个像素点,则该网络就具备多少个神经元与之相对应。在神经元无耦合连接的情况下,各神经元相互独立工作,外部输入激励越大,神经元点火周期越小,其点火频率也就越高,这就表明,神经元不受外界影响的情况下,其释放脉冲频率完全依赖于其像素灰度值的大小。然而实际应用中大部分采用耦合连接模型,原因在于连接输入项对反馈输入项的调节是神经元之间相互传递信息的关键所在。在耦合连接的情况下,其神经元由于耦合作用而捕获具有空间相似或灰度相似的神经元而使其提前点火的性质类似于PCNN在实际应用中具有灰度相似或者空间相似而同步释放脉冲的机理。同时,通过调节迮接系数的大小可以扩大或者缩小神经元连接强度,进而影响神经元点火区域覆盖范围的大小。第四章是PCNN在图像处理中的儿个应用。主要围绕图像的预处理、以及模式分类器的原理、算法等展开讨论,并模拟了实验过程。在实际应用中,对于一幅参与识别的图像,其前期的预处理工作非常重要,预处理结果的质量好与否将影响识别结果的准确率。通常情况下图像会受到各种各样噪卢的污染,而这些噪声可能在图像的采集或传输的过程中产生,也有可能是在图像被量化的过程中产生,为了提高图像识别率,需要对其去噪,保证在最大程度上去除噪声的同时义不破坏原始图像主要信息,使其边缘轮廓和线条不被破坏,常用的平滑滤波方法有空域滤波和频域滤波。噪声产生的原因决定了噪声在图像像素中的分布特性以及与图像信号的关系。我们采用了线性滤波、中值滤波等去噪方法,采用了最小距离模式分类器和BP网络分类器进行模式识别。效果良好。第五章针对特征提取等做了一些工作。将PCNN用于简单几何图形、人物图像的特征提取以及识别,并在前人已有的研究基础之上完善基于PCNN的图像识别系统,包括图像的获取、预处理、特征提取以及识别整个过释,并给予详细的理论介绍、实验过程以及实验结果。以及彩色形态学对去噪的应用。Johnson通过实验已经证明每一幅输入图像都有自己唯一的特征时间序列,而且由众多实验表明绝大多数输入图像都有自己唯一的熵序列,因而本文根据其两个特征,结合PCNN本身在图像处理领域的特点(在特征提取时具有旋转、尺度、平移以及扭曲等不变性)对输入图像进行识别,通过实验证明PCNN在图像识别中可以成功的识别出经过加噪声处理之后的图像。我们还可以利用PCNN住图像处理中的优势,结合图像本身的特点,即每一幅图像都有自己唯一的特征时间序列以及绝大多数图像都有自己的信息熵,从而综合这两个唯一特征可以作为图像识别的依据。过实验表明,对同一副图像,经过加不同噪声处理之后,由PCNN得剑其相应的特征时间序列和熵序列,对其做欧氏距离判断,最后得出识别结果,如果两幅图像的特征时间序列和熵序列都非常接近,便可以认为是同一幅图像。图像识别的关键在于怎样较好的去提取图像的主要特征,然后再通过一定的判圳标准来识别。本文引入欧拉数特征序列作为图像识别的拓扑特征,同时与以特征时间序列以及熵序列为特征的识别结果作比较,在实验中取得较理想的效果,表明该方法和模型在图像识别中是有效的,而且速度快,为图像识别开辟一条新的道路。依据全方位多角度结构元复合的形态滤波器在灰度图像中的应用,本文提出了一种基于全方向多角度结构元复合的彩色形态滤波器。这种算法保留了其在灰度图像中的优点,并在此基础上对结果进行优化,使得算法最后得到较为理想的去噪效果。具体表现在,本文在灰度利二值形态学的基础上,把形态学运用到彩色图像中,简单介绍了彩色图像RGB模型与HSI模型,重点在HSI空间基础上提出了彩色形态变换,并依据前人的研究的结果,在HSI空间中提出了全方位多角度复合彩色形态滤波器。但这种算法得出的效果图可以看出只能分别对一种噪声进行去除,同时处理的效果并不明显,所以我们在原有的基础上把两种实验效果图按一定的规定实行加权叠加后,可以同时将两种噪卢进行去除并保留图像的边缘细节,不过有时虽然我们把亮噪声和黑噪声同时做了处理,但是图像中还是有部分的噪声,所以我们必须在此基础上再做进一步地改进,以便能得出更好地效果。第六章对PCNN参数的设置进行了研究与探讨,通过信息熵来确定最少迭代次数以及最佳分割岗值,从而进一步确定PCNN模型中动态闽值的时间衰减常数,并通过实验表明通过该方法确定时间衰减参数取得了不错效果。图像的信息熵是反映一幅图像信息所含信息大小的统计特征,文献[52]针对图像分割提出了一种新的PCNN模型估算方法,通过对信息量直方图分析提出了时间衰减参数αE的估计方法,因为时间衰减常数aE控制着神经元在一个周期内的迭代次数。假设一幅图像共有￡个灰度级,通过统计所有灰度级的总信息量,根据不确定性原理,当一幅图像各层灰度出现的概率相等时,此时信息熵最大。通过信息量统汁直方图确定衰减时间常数取得了较好的分割效果,而通过经验值确定PCNN衰减时间常数部分分割效果不理想,信息熵足反应一幅图像所含信息量大小的统计量,由于PCNN模型本身没迭代一次都输出一幅二值图像,二值图像里只有0和1两种情况,而0和1在二值图像中的分布反映了原始图像的信息量大小,通过对所输出二值图像提取其信息熵。由于PCNN每次迭代输出的二值图像均随着迭代次数的不同而变化,因此,其信息熵也随之变化,当信息熵达到最大值时,此刻所对应的二值图像所包含的原始图像的信息最多,从而根据该原理可以确定最住迭代次数。通过探讨PCNN模型动态闻值时间衰减常数与最佳迭代次数,可以看出,信息熵在图像中处理中扮演着重要的角色。通过信息熵最大来确定PCNN模型最佳迭代次数被用于图像处理的很多领域,信息熵反映了一幅图像像素分布特征。本章仅是在文献旧与文献[55]的基础之上讨论PCNN模型参数的选择,并通过相应的实验表明其有效性,PCNN模型参数的确定向来是其研究的重点利难点,因此受很多学者的关注,如文献㈣中将PCNN与传统的反向传播BP网络相结合,提出一种自适府脉冲耦合神经网络,而且对参数的自适应研究也是本文下一步要做的工作。最后,本文主要创新点为引入信息熵和欧拉序列作为PCNN提取的特征以及在此基础之上结合PCNN与BP网络模式分类器建立识别系统,提出了一种基于全方向多角度结构元复合的彩色形态滤波器。这种算法保留了其在灰度图像中的优点,并在此基础上对结果进行优化,使得算法最后得到较为理想的玄噪效果。结尾部分对PCNN参数的设置进行了研究与探讨,通过信息熵来确定最节迭代次数以及最佳分割剧值,从而进一步确定PCNN模型中动态闽值的时间衰减常数,并通过实验表明通过该方法确定时间衰减参数取得了不错效果,同时对本文主要工作给予简要的概括和说明,并提出下一步研究方向。