PCNN模型參數(shù)優(yōu)化及其紅外圖像分割方法的研究.pdf

1、紅外熱像儀因其被動(dòng)成像方式、較強(qiáng)的目標(biāo)探測(cè)能力、全天候工作等特點(diǎn),目前在軍事、安防等領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用。近年來(lái),隨著其應(yīng)用領(lǐng)域的不斷開(kāi)拓,人們迫切地需要智能探測(cè)紅外場(chǎng)景中諸如運(yùn)動(dòng)體、受損部件等感興趣內(nèi)容。于是,這種需求相應(yīng)地促使了計(jì)算機(jī)視覺(jué)對(duì)紅外圖像處理的要求,其中尤為重要的是圖像的分割質(zhì)量。由于紅外圖像主要體現(xiàn)的是溫度場(chǎng)信息,傳統(tǒng)的諸如閾值、熵等分割方法都會(huì)因其固有的一些特征而產(chǎn)生低質(zhì)量的分割結(jié)果。這些特征包括:(1)目標(biāo)的熱分

2、布不一致容易引起灰度分布不均勻,且易于背景灰度分布發(fā)生混疊;(2)紅外圖像信噪比低,噪聲成分復(fù)雜;(3)紅外目標(biāo)的邊緣較為模糊。因此,為了有效地避免這些因素的影響,研究高效率高性能的分割方法一直成為國(guó)內(nèi)外研究的熱點(diǎn)。
　　脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse-coupledneuralnetwork,PCNN)作為生物視覺(jué)復(fù)雜神經(jīng)系統(tǒng)的仿生模型,具有對(duì)鄰域相似輸入的神經(jīng)元同步發(fā)放脈沖等特性,有助于克服紅外目標(biāo)亮度與背景混疊等因素導(dǎo)致的分割

3、質(zhì)量不佳。然而,由于其內(nèi)部所需設(shè)置的參數(shù)眾多以及參數(shù)與圖像特性之間關(guān)系不明確,極易引發(fā)神經(jīng)元不規(guī)則的行為,導(dǎo)致較高的分割錯(cuò)誤。為此,本文深入開(kāi)展了PCNN模型參數(shù)優(yōu)化及其紅外圖像分割機(jī)制的研究,提出并建立模型參數(shù)與圖像特性、參數(shù)與參數(shù)之間的關(guān)系,旨在獲得較好的分割結(jié)果。具體而言,論文所取得的創(chuàng)新性成果主要體現(xiàn)如下幾點(diǎn):
　　(1)聚類分析是研究分類的基本方法,本文在聚類分析的框架下,提出了真實(shí)均值和估計(jì)均值保持一致性的聚類分割理論

4、,并借助脈沖耦合神經(jīng)元同步發(fā)放脈沖特性,構(gòu)建了一種新的PCNN簡(jiǎn)化模型(simplifiedpulse-coupledneuralnetwork,SPCNN)。在該模型中,提出并建立與脈沖輸出相關(guān)聯(lián)的一種全新的圖像分割機(jī)制,為實(shí)現(xiàn)高質(zhì)量紅外圖像分割結(jié)果奠定了基礎(chǔ)。
　　(2)提出了SPCNN模型在貝葉斯規(guī)則下的紅外圖像分割方法。首先,分析和探討了在最佳分割條件下SPCNN連接系數(shù)設(shè)置方法,接著通過(guò)引入貝葉斯規(guī)則,確保了PCNN鄰域

5、同步點(diǎn)火特性,從而可以摒棄現(xiàn)有諸如基于熵、類間測(cè)度等迭代停止規(guī)則,自適應(yīng)地得到分割結(jié)果。相比于其他經(jīng)典的閾值分割算法和現(xiàn)有的一些PCNN分割方法,實(shí)驗(yàn)結(jié)果表明本文提出的方法針對(duì)一些代表性的紅外圖像具有較好的處理能力,并在一定程度可分離目標(biāo)和背景灰度分布的混疊,同時(shí)驗(yàn)證了真實(shí)均值和估計(jì)均值保持一致性的聚類分割理論的有效性。
　　(3)進(jìn)一步優(yōu)化SPCNN模型及其參數(shù)設(shè)置,建立了一種具有抗噪能力的SPCNN圖像分割模型。該模型改變了神

6、經(jīng)元的反饋輸入,增添了與之相鄰的神經(jīng)元灰度信息。同時(shí),在脈沖輸出中提出采用非參數(shù)核密度估計(jì)聚類規(guī)則作為分類器,增強(qiáng)PCNN鄰域同步點(diǎn)火特性,由此提出了一種由粗到精的分割策略,從而降低了連接系數(shù)設(shè)置的復(fù)雜度。實(shí)驗(yàn)結(jié)果表明,該模型能有效地分離目標(biāo)和背景灰度分布的混疊,獲得了較高的分割性能,且可通過(guò)閾值的適當(dāng)調(diào)整處理更為廣泛的紅外圖像。與SPCNN相比,提出的方法在抗噪聲和分割性能上都展現(xiàn)出明顯的優(yōu)勢(shì)。
　　(4)深入開(kāi)展了PCNN鄰域

7、同步點(diǎn)火特性的分析,提出了一種簡(jiǎn)單有效的SPCNN圖像閾值分割方法。在該方法中,直接采用了與點(diǎn)火區(qū)域相關(guān)聯(lián)的全局閾值。同時(shí),在分析圖像鄰域特性基礎(chǔ)上,引入了聚類分析中的距離測(cè)度,并從優(yōu)化角度提出了一種最小加權(quán)均值偏離的目標(biāo)函數(shù)作為局部閾值設(shè)置規(guī)則,從而建立了SPCNN中連接系數(shù)與閾值之間、連接系數(shù)與圖像特性之間的關(guān)系。實(shí)驗(yàn)結(jié)果表明,提出的方法獲得的分割結(jié)果優(yōu)于一些經(jīng)典的閾值分割方法以及其他PCNN分割方法,且相比于非參數(shù)核密度估計(jì)下的S

8、PCNN模型的分割性能,其時(shí)間復(fù)雜度得到了簡(jiǎn)化。
　　(5)為方便后續(xù)紅外圖像內(nèi)容的分析,研究了SPCNN模型多層分割方法。該方法繼承并改善了SPCNN閾值分割方法中連接系數(shù)的設(shè)置方式,引入了一種距離測(cè)度的模糊隸屬度函數(shù),并采用優(yōu)化的方法快速求解最佳連接系數(shù),從而增強(qiáng)PCNN鄰域同步點(diǎn)火特性。在這個(gè)特性支撐下,提出了一種自適應(yīng)圖像多層分割策略,從而為拓展該方法在其他領(lǐng)域的應(yīng)用奠定了基礎(chǔ)。與較新的PCNN多層分割方法相比,實(shí)驗(yàn)對(duì)比結(jié)