模拟视觉细胞感受野特性的PCNN人脸图像分割方法

摘要

本发明涉及一种模拟视觉细胞感受野特性的脉冲耦合神经网络残疾人人脸分割方法，该方法包括：用视觉细网胞感受野模型优化脉冲耦合神经网络中反馈域连接矩阵的结构，得到具有方向性和尺度性的脉冲耦合神经络模型；根据残疾人人脸图像的特点调整模型参数；最后将残疾人人脸图像的亮度通道信息输入模型，产生模拟人类视觉的人脸分割结果。由于细胞感受野模型对连接矩阵的优化使脉冲耦合神经网络具有了方向性和尺度性，提高了分割正确率，对自然光照下的人脸分割具有很好的鲁棒性。此外，与其他方法相比，本发明还具有不同图像内容之间分离度好，图像细节保持好，分割速度快等优点。

主权项

1.一种模拟视觉细胞感受野特性的PCNN人脸图像分割方法，所述PCNN中的神经元包括接收域、调制域和脉冲发生器三部分，所述接收域包括反馈接收域和连接接收域，反馈接收域接受图像灰度值S_ij和感受野内相邻神经元的输出脉冲Y_kl作为输入，经过感受野矩阵IG变换输出F_ij作为神经元的反馈输入，连接接收域接受感受野内相邻神经元的脉冲输出Y_kl作为输入，经过连接矩阵W变换输出L_ij作为神经元的耦合连接输入，所述方法包括以下步骤：a)，将采集到的残疾人人脸图像由RGB空间转换到HSV空间，提取图像的亮度通道信息；b)，将亮度通道信息中的每一个像素作为一个神经元，并将像素的灰度值S_ij作为该神经元的外部输入值，其中S_ij为归一化后的像素值；c)，确定感受野范围为以当前神经元为中心大小为K×L的神经元阵列，其中K，L的取值为奇数，确定维度为K×L的感受野矩阵IG和连接矩阵W，初始化脉冲产生区的动态门限的初始值、衰减时间常数和迭代次数，其中连接矩阵W由感受野内中心神经元与相邻神经元的欧几里德距离平方的倒数确定；其中IG采用以下公式确定：其中，$S_{K\times L}=\left[\begin{array}{ccccccccc}{S}_{i-\frac{K-1}{2}j-\frac{L-1}{2}}& .& .& .& S_{i-\frac{K-1}{2}j}& .& .& .& S_{i-\frac{K-1}{2}j+\frac{L-1}{2}}\\ .& & & & & & .& & .\\ .& & & & & & .& & .\\ .& & & & & & .& & .\\ S_{\mathrm{ij}-\frac{L-1}{2}}& .& .& .& S_{\mathrm{ij}}& .& .& .& S_{\mathrm{ij}+\frac{L-1}{2}}\\ .& & & & .& & .& & .\\ .& & & & .& & .& & .\\ .& & & & .& & .& & .\\ S_{i+\frac{K-1}{2}j\frac{L-1}{2}}& .& .& .& S_{i+\frac{K-1}{2}j}& .& .& .& S_{i+\frac{K-1}{2}j+\frac{L-1}{2}}\end{array}\right]$$\left\{\begin{array}{c}x=(k-\frac{K+1}{2})\cos \theta +(l-\frac{L+1}{2})\sin \theta \\ y=-(k-\frac{K+1}{2})\sin \theta +(l-\frac{L+1}{2})\cos \theta \end{array}\right.$其中，IG(k，l)表示IG矩阵第k行第l列的元素，S_K×L表示感受野幅值矩阵，S_K×L(k，l)表示所述幅值矩阵第k行第l列的元素，用感受野内神经元的归一化灰度值表示，K和L表示感受野尺度的大小，σ_x，σ_x分别为高斯包络在x和y方向上的标准差，λ表示感受野函数的波长，是相位偏移量，θ表示最优方向，γ是方向比，其中下标i，j表示当前神经元的平面位置坐标。d)，根据IG和W得到第n次迭代神经元的反馈输入F_ij[n]和耦合连接输入L_ij[n]；e)，计算连接强度系数β，由公式U_ij[n]＝F_ij[n](1+βL_ij[n])得到第n次迭代的内部活动项U_ij[n]，当U_ij[n]大于动态门限时，神经元激发产生脉冲输出，并更新动态门限；f)，重复步骤d)，e)直到最大迭代次数，神经元的脉冲输出为图像分割的结果。