人工神经网络从诞生至今经过了六十多年的演变,相对于传统神经网络,第三代人工网络脉冲神经网络(Spiking Neural Network,SNN)更好地模仿了生物神经元的工作原理。SNN中的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对图像的处理获取的特征序列具有很好的尺度不变性、旋转不变性、信号强度不变性和信号扭曲不变性,而交叉皮层神经网络(Intersecting Cortical Model Neural Network, ICMNN)可以看做是PCNN的简化模型,继承了PCNN提取的特征序列的特性。大量的研究表明,PCNN的生物学工作机制决定了它作为图像处理引擎的有效性。论文将探究两种SNN模型：脉冲耦合神经网络和交叉皮层模型神经网络。 　　特征提取是成功进行图像描述、分类、分析等过程中的关键环节。基于认知理论和感知经验,给定一种纹理图像,对该种纹理图像不论进行怎样的变换、旋转、缩放、仿射、甚至是失真处理后获取的图像,从人类观察的角度来说都应该是同一种纹理,对应地,提取到的纹理特征也应该是不变的。因此,不变性纹理特征提取在实际应用和理论分析中都是不可或缺的一部分。论文从纹理特征的提取角度,利用 PCNN 的特性进行了纹理图像的特征提取和应用研究。 　　首先,论文利用ICMNN对灰度信息不发生变化但像素分布位置发生变化的图像,提取直接及间接的图像结构信息,并将其用于图像置乱算法的性能评价。由于ICMNN的连接调制,可以将图像的结构信息有效地进行耦合,所以,论文通过增大连接强度因子,减小灰度信息来提取图像的结构信息。针对图像像置乱变换的置乱评价问题,对ICMNN的模型进行了改进,通过加入连接强度因子耦合图像的结构信息,削弱灰度信息,从而实现对图像的结构信息的提取,使得置乱评价的结果与视觉评价相一致。由于改进算法是通过间接的方式提取图像的结构信息,为了进一步能够直接提取结构信息,论文采用按位分解图像的方法对图像进行处理,并利用ICMNN实现了直接结构信息的提取。 　　其次,论文研究了灰度信息发生一定变化但具有强结构信息的纹理图像的不变性特征提取。为了减少图像灰度信息变化带来的干扰,论文首先利用局部二值模式(Local Binary Pattern ,LBP )将图像从灰度模式转化成二值结构模式,然后对二值结构模式的图像进行PCNN 处理以获取不变性特征序列。通过将LBP 和PCNN 相结合,提取具有较好平移、旋转、缩放、光照不变性的图像特征序列。利用 Brodatz图库进行的实验结果表明,论文提出的基于LBP与PCNN的图像检索提取的特征具有平移、旋转、缩放、光照不变性。 　　再次,论文针对内容复杂的图像,利用 PCNN 分解模型对图像进行乘性分解,提取图像在不同细节层次下的图像特征。论文采用 PCNN 分解模型将图像按照结构层次进行分解,将原图像中的内容分解到不同的图像中,以根据需求获取图像中不同的内容。通过对PCNN的分解模型进行改进,降低了PCNN分解模型的复杂度,增强了该模型的鲁棒性,同时,将改进后的模型用于图像阴影去除和图像增强,实验结果表明,改进后的PCNN分解模型能够较好地实现图像阴影去除和图像增强。