基于局部耦合神经振子网络的简单灰度图像分割方法

摘要

本发明公开了一种基于局部耦合神经振子网络的简单灰度图像分割方法，包括：建立视觉图像输入层，建立神经元振子网络振荡层，建立目标之间分离层。视觉图像输入层负责将视觉图像与神经元振子网络振荡层上神经网络中的神经元振子建立一一对应关系；神经元振子网络振荡层负责通过模拟人脑视觉皮层中功能柱对视觉图像处理的功能来对每个神经元振子建立动力学系统模型，使得每个振子产生振荡，并在相邻振子的局部耦合作用下产生同步振荡；目标之间分离层负责根据同步振荡结果通过采取去同步机制实现视觉图像上目标区域之间的分离。本发明分析了神经元振子产生振荡以及同步振荡的参数设置要求，对于认识和理解图像分割具有指导作用和理论意义。

主权项

1.一种基于局部耦合神经振子网络的简单灰度图像分割方法，其特征在于包括以下步骤：建立视觉图像输入层，建立神经元振子网络振荡层，建立目标之间分离层；所述的建立视觉图像输入层，将灰度图像归一化，并认为灰度值为零的像素对应的是图像的背景，在振荡过程中背景区域对应的神经元振子保持沉默状态，然后将视觉图像输入到神经元振子网络振荡层上的神经网络中，图像中的像素点与神经网络上的神经元振子存在一一对应关系；所述的建立神经元振子网络振荡层，将这一层上神经网络中的每个振子建立动力学系统模型：$\frac{{\mathrm{dx}}_i}{\mathrm{dt}}=-r_1{x}_i+r_{1}H({\mathrm{ax}}_i-{\mathrm{cy}}_i+I_i-{\phi }_x)+\mathrm{\alpha \Delta }{x}_i$$\frac{{\mathrm{dy}}_i}{\mathrm{dt}}=-r_2{y}_i+r_{2}H({\mathrm{bx}}_i-{\mathrm{dy}}_i-{\phi }_y)+\mathrm{\beta \Delta }{y}_i---\left(1\right)$公式(1)中各参数的含义是：I_i代表当前振子所对像素的取值即外部刺激，x_i代表当前振子的兴奋性单元，y_i代表当前振子的抑制性单元，a代表从x_i到x_i的自兴奋连接强度，b代表从x_i到y_i的耦合强度，c代表从y_i到x_i的耦合强度，d代表从y_i到y_i的自抑制连接强度，r₁和r₂分别调控兴奋性单元响应x_i和抑制性单元响应y_i的变换率，φ_x和φ_y是选定的阈值，H(z)代表sigmoid型响应函数，α和β分别代表相邻振子兴奋性单元之间和抑制性单元之间的连接强度，Δx_i和Δy_i代表当前振子8邻域中的各相邻振子所提供的耦合信息，图像边界的像素用实际存在的相邻像素进行耦合；Δx_i和Δy_i的表达式为：d_(m，n)是关于相邻振子外部刺激之差的符号函数：公式(4)中φ表示阈值；公式(1)中参数的取值约束是：(1.1)φ_y+2T＜b  (1.2)I_i-φ_x-2T＞0  (1.3)a-φ_x+2T+I_i＜c(1.4)d+φ_y-2T＞0  (1.5)φ_x-2T＞0  (1.6)(a-4T)r₁＞(d+4T)r₂(1.7)bc+(4T-a)(4T+d)＞0  (1.8)|ax^*-cy^*+I_i-φ_x|≤2T(1.9)|bx^*-dy^*-φ_y|≤2T(1.10)$x^{*}=\frac{d+4T}{b}{y}^{*}+\frac{{\phi }_y-2T}{b}$(1.11)$y^{*}=\frac{b({\phi }_x-I_i-2T)-(a-4T)({\phi }_y-2T)}{(a-4T)(d+4T)-\mathrm{bc}}$(1.12)$\alpha >\frac{(2a+c)r_1+(b-8T)r_2}{16T(1-\cos \frac{\pi }{N})}$(1.13)$\beta >\frac{(2a+c)r_1+(b-8T)r_2}{16T}+\alpha \cos \frac{\pi }{N}$(1.1)～(1.13)式中的T是(1)式中sigmoid型响应函数H(z)的形状参数；用4阶经典龙格-库塔法对(1)式求解，记录求解结果x_i(t)、y_i(t)，求解结果表现为每个振子的兴奋性单元、抑制性单元随时间振荡的曲线；所述的建立目标之间分离层，根据每个振子的兴奋性单元、抑制性单元随时间振荡的曲线，采用最小二乘法将曲线拟合为Fourier曲线，并求出拟合后曲线频率、距离水平轴的平均距离、相位三个特征值；首先按照频率对所有像素进行分类，分类结束后检查每一类对应的图像区域是否是连通的，如果不是连通的将继续依距离水平轴的平均距离、相位的次序进行分类，并在每一次分类结束后检查每一类对应的图像区域是否为连通状态。