一种基于Spiking神经网络的图像分割方法

摘要

一种Spiking神经网络的图像分割方法，采用群体神经元对图像像素灰度值进行编码，其次设计一个含二维竞争输出层的递归Spiking网络，通过对网络进行训练，最终基于神经元的时间绑定特性并通过对图像进行解码得到分割结果。其可得到更佳的分割结果，采用含延时的递归网络，可反映时域信息，并体现出不同的动态性;采用winner-takes-all与STDP相结合的竞争学规则，winner的设计便于处理时空图像信息；加入抑制型神经元可防止网络过度兴奋；设计相应的网络对象结构并采用同步与异步相结合的仿真策略实现MATLAB环境下的仿真；训练过程中调整“长期非winner神经元”的权值和阈值可避免局部收敛。

主权项

一种基于Spiking神经网络的图像分割方法，其特征在于包括如下步骤：步骤1、基于高斯接受域的方法采用群体神经元对图像像素灰度值编码，即采用10个SRM神经元编码像素灰度值得到相应的脉冲发放时间，编码后，每个像素对应9个兴奋型神经元以及1个抑制型神经元；步骤2、根据上述编码后的脉冲发放时间，将其作为“二维输出层”递归网络的输入，该递归网络包括一个特征绑定层及一个图像分割层，其中特征绑定层内的神经元个数为图像像素数的10倍，图像分割层的神经元个数为图像分割后的所需区域数；特征绑定层内存在层内的横向连接，以及向图像分割层的前馈连接；图像分割层存在向特征绑定层内的反馈连接；该“二维输出层”递归网络内的神经元均采用含突触延时的0阶SRM神经元模型；步骤3、对上述“二维输出层”递归网络内的神经元按照STDP与winner‑takes‑all的学习规则以及同步与异步相结合的网络对象仿真策略在指定的迭代次数下进行训练；具体而言，每次训练过程中，从脉冲发放时间的优先队列中选取一个或多个winner神经元，按照STDP规则仅改变与winner神经元存在连接的神经元间的权值，同时保证兴奋型突触的连接权值为正，抑制型神经元的连接权值为负，与此同时，对神经元的突触延时进行动态改变，与winner神经元存在输入关系的神经元之间的延时增加，存在输出关系的神经元之间的延时减少，并保证在1‑9ms之间；步骤4、采用竞争机制，具有相似像素灰度特征的神经元越来越同步，而具有不同特征的神经元的脉冲输出时间差异越来越大，最终特征绑定层内的神经元的脉冲输出映射至不同的分割区域中，基于特征绑定层内的神经元输出时间对图像进行解码，根据脉冲发放时间的不同按分割后的区域数重置图像矩阵，最终得到分割结果。