论文部分内容阅读
脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是具有生物视觉特性的新一代人工神经网络,对其进行研究具有一定的应用价值。论文研究了PCNN的理论模型及其脉冲并行传播特性,针对具体的应用对象,对传统PCNN模型进行改进,并将其用于解决图像分割、极端脉冲噪声滤波、超声多普勒血流信号声谱图降噪去斑以及自然背景下的人脸检测的图像处理和分析问题。论文的主要工作如下:1.提出了基于灰度迭代阈值的PCNN(Grayscale Iteration Threshold PCNN, GIT-PCNN)图像分割模型,该模型简化了传统的PCNN模型,减少了参数选择;模型改进了传统PCNN指数衰减的阈值门限,提出了基于图像灰度特征的迭代阈值,使得PCNN的阈值与处理图像的灰度统计特性有关;用该模型进行图像分割时无需循环或设定循环终止准则。实验结果表明,GIT-PCNN与经典的基于最大香农熵的PCNN分割算法相比,分割速度有较大改善且分割性能未降低;与图像分块且基于最大香农熵与最小交叉熵的PCNN分割算法相比,分割速度和分割性能均有改善。2.提出了单一链接PCNN(single-linking PCNN)极端脉冲噪声滤波模型。该模型简化了传统的PCNN模型,无需针对不同的图像,进行参数选取,也无需确定PCNN的循环次数;模型结合极端脉冲噪声的特点,提出了PCNN阈值和自适应的滤波次数选取方法。实验结果表明,在噪声强度为10%-60%时,single-linking PCNN滤波算法优于经典的脉冲噪声滤波算法,如传统的中值滤波、标准中值滤波、基于卷积运算的脉冲检测与开关中值滤波算法和基于决策的滤波算法;在噪声强度较大,如80%时,single-linking PCNN的滤波性能优于常见的PCNN极端脉冲噪声滤波模型。3.提出了超声多普勒血流信号STFT(Short Time Fourier Transform, STFT)声谱图降噪去斑模型:MP-PCNN(Matchning Pursuit with PCNN, MP-PCNN)。模型提出了MP分解信号并滤除背景噪声与PCNN滤除斑点的两步处理方法;提出了单向衰减阈值PCNN模型,对超声多普勒血流信号STFT声谱图进行斑点检测;提出的PCNN模型简化了传统的PCNN模型,无需针对不同的声谱图,进行参数选取。实验结果表明,MP-PCNN比经典的MPWD (Matching Pursuit with Wigner Distribution)方法有更好的降噪去斑效果。4.提出了基于unit-linking PCNN时间签名的人脸检测算法。该方法增加了肤色块的判定,提高了算法的速度性能;提出了对候选人脸块的左上角坐标进行聚类以确定测试图像中包含的人脸数的方法。实验结果表明,提出的方法能较好地检测出自然背景下的人脸区域,而且在对测试图像加噪、旋转和缩放后仍然可以检测出人脸区域。