一种适合处理显微图像PCNN模型的构建方法

摘要

本发明公开了一种适合处理显微图像PCNN模型的构建方法，包括：分析无耦合连接和耦合连接状态下二维脉冲耦合神经元的动力学特性；优化PCNN链接输入L及反馈输入F非线性方程的参数设置、处理图像的局部信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值θ，构建适合处理显微组织图像的PCNN模型；搭建多层次或三维脉冲耦合神经元模型，分析神经元动力学特征、形成多通道或多维PCNN模型；可进一步应用在中药材显微图像的处理与分析中，有效提高中药材评价的客观性、准确性及智能化程度，为中药材现代化检测与分析提供一种新的途径。

主权项

一种适合处理显微图像PCNN模型的构建方法，其特征在于，所述的适合处理显微图像PCNN模型的构建方法包括：步骤一、分析无耦合连接和耦合连接状态下二维脉冲耦合神经元的动力学特性；步骤二、在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算所述像素点与其邻域对应的方向通道的最大能量；步骤三、根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和有效方向，根据所述最大尺度和所述有效方向确定PCNN模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；步骤四、基于Gabor函数计算所述像素点的K×K邻域内各个像素点的M的方向相似性；其中，K为所确定的W的矩阵的行数或列数；如果所述方向相似性在指定范围内，对所述K×K邻域内的像素点进行一次点火，得到所述K×K邻域内的像素点的图像分析数据；步骤五、依据中药材显微图像的特征，优化PCNN模型的参数设置，从PCNN模型形态结构和统计两方面优化PCNN链接输入L及反馈输入F非线性方程的参数设置、处理图像的局部信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值θ，构建适合处理显微组织图像的PCNN模型；步骤六、通过对中药材显微图像体视学分析，根据多层次或三维显微图像特点，搭建多层次或三维脉冲耦合神经元模型，分析神经元动力学特征、形成多通道或多维PCNN模型；所述多通道或多维PCNN模型，通过分别将多幅图像经NSCT变换后得到若干不同频率子图像，并对应采用基于双通道PCNN进行融合后确定融合图像的各带通子带系数，最后通过NSCT逆变换得到融合图像；所述的PCNN模型形态结构和统计两方面包含下列参数：显微图像的截面积、周长、最大直径、等效直径、长宽比、圆形度、球化度、体密度、面数密度、数密度、面密度、间距；利用下列公式运行PCNN模型：F_ij[n]＝S_ijL_ij[n]＝VLΣ_wijklY_kl[n‑1]U_ij[n]＝F_ij[n](1+βL_ij[n])I_ij[n]＝N‑n式中：U_ij[n]为内部活动项，Y_ij[n]为PCNN脉冲输出，I_ij[n]为索引值；当n＝1时，L_ij[1]＝0，则U_ij[1]＝F_ij[1]＝Sij，θ_ij[1]＝LT(N‑1)＝S_{ij_max}，对应的反馈输入中值为S_{ij_max}的神经元将自然点火；神经元点火后，输出Y_ij[1]＝1，θ_ij[2]变为V_θ，点火神经元的索引值标记为I_ij＝N‑1；基于双通道PCNN进行图像融合的具体方法包括：第一步、对输入的两幅原始图像在空间上进行像素级配准，保证两幅图像大小均为X×Y；第二步、通过非下采样Contourlet变换分解已配准的两幅源图像，并分别获得其各自的一个低频子图像和若干高频子图像；第三步、初始化双通道脉冲耦合神经网络参数，设定神经网络参数W，VL，β，V_θ，α_θ和Δt的值；第四步、在每幅输入图像中查找S_{ij_max}、S_{ij_min}；S_{ij_max}＜V_θ，S_{ij_min}＞0；第五步、得到神经网络最大运行次数N和阈值查找表LT(s)，s为LT(s)的函数变量；$N=\frac{t_2-t_1}{\Delta t}+1$$t_1=\frac{1}{{\alpha }_{\theta }}ln\left[\frac{V_{\theta }}{S_{ij\_\max }}\right]$$t_2=\frac{1}{{\alpha }_{\theta }}ln\left[\frac{V_{\theta }}{S_{ij\_\min }}\right]$$LT\left(s\right)=V_{\theta }{e}^{(-(-S\Delta t+t_2\left){\alpha }_{\theta }\right)};$式中：t₁和t₂分别为图像中灰度值最大像素和最小像素的自然点火时间；第六步、将一个低频子图像和若干高频子图像作为分解系数通过双通道脉冲耦合神经网络制定的融合规则进行融合；第七步、对第二步得到的各带通子带系数进行NSCT逆变换，得到最终的融合图像；所述适合处理显微图像PCNN模型还包括检测优化模块，该检测优化模块用于：将采集到的图像建立图像的显著模型，所述建立图像的显著性模型包括：利用预定过分割算法对所述图像进行过分割和模板参数提取，对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；确定每个所述区域的颜色值和质心；根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；所述的显著性模型为：其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；