论文部分内容阅读
脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)的图像处理是智能图像处理领域内研究的热点问题之一,PCNN参数的自适应设置和基于PCNN特征提取的目标识别是该神经网络应用中的难点。为此,本论文围绕这些难点问题展开了相关研究,所做的主要工作如下：1)提出一种自动设置简化脉冲耦合神经网络(Simplified Pulse Coupled Neural Network, SPCNN)模型参数的方法,并将该参数自动设置的SPCNN模型应用于图像分割。具体地,根据神经元的动态特性,推导了该SPCNN模型的动态阈值、内部活动项和分割子段灰度范围表达式,结合图像标准差和最佳直方图阈值,建立了神经元动态特性和输入图像静态特性之间的一种直接联系,自动设置了SPCNN模型的合适参数。经过伯克利分割图像数据库中的灰度自然图像(而非合成图像)的分割测试,验证了该SPCNN模型参数自动设置方法的正确性和高效性。2)提出一种新的基于视觉处理的目标识别方法,即基于自动参数SPCNN模型的区域匹配目标识别算法(SPCNN Region-based Matching Object Recognition, SPCNN-RMOR),可用于复杂场景中特定目标物体的识别。具体地,本文SPCNN-RMOR算法,利用参数自动设置的SPCNN模型分割彩色目标图像和测试图像,实现目标图像和测试图像之间的区域匹配,特别地,还对目标图像和测试图像依次进行了归一化rgb和Opponent彩色空间变换,抑制了光强变化对图像影响的敏感性,包括光强的尺度不变性位移不变性。3)本文SPCNN-RMOR算法,采取了一种新的图像分割策略。由于传统的基于PCNN的特性提取方法将二维图像的空间分布信息编码成一维的时序信号,因此丢失了图像的空间分布信息。为此,新的分割策略结合了SPC N脉冲的时序信息和图像的空间分布信息,能获得更加精细的分割效果；还在很大程度上克服了基于特征的目标识别方法的一个共同缺陷：当特征点位于目标边缘时,局部不变特征描述符中将不可避免地包含背景干扰信息。经过背景区域块去除、聚类形成和聚类精炼处理,对聚类图像构建彩色直方图,用巴氏距离(Bhattacharyya distance)来度量各个聚类彩色直方图与目标图像彩色直方图之间的距离,然后输出巴氏距离最小的聚类作为最终的目标识别结果。经过实验测试,验证了所提出的SPCNN-RMOR目标识别算法在平移、旋转、缩放、光照变化、仿射变形、透视变形,甚至在部分遮挡和高度杂乱背景下,都具有很强的鲁棒性。另外,相比于大多数文献基于特征的目标识别算法,该算法在检测缺少纹理的目标物体上也有较好的性能表现。总之,本文提出的自动设置SPCNN模型参数的方法及其在彩色图像分割上的应用,为提出基于区域匹配的SPCNN-RMOR目标识别算法打下了良好基础,使得所提出的目标识别算法能从复杂的现实生活环境中较好地识别出特定的目标物体。