視覺脈沖神經網絡模型及其在圖像處理中應用的研究.pdf

1、　　由Eckhorn神經元模型得到的脈沖耦合神經網絡模型(PCNN)是直接觀察貓的視覺皮層神經細胞并模擬其活動而得到的人工神經網絡模型。此算法在圖像分割領域中，已經顯示出了其獨特的優(yōu)越性。本文在研究連續(xù)型PCNN的基礎上，探討了一種離散的觸發(fā)式脈沖耦合神經網絡模型(TPCNN)，解決了計算機模擬PCNN的波動性問題。同時給出了一種基于連通域計算的TPCNN分割結果評價算法作為自動分割的判定準則。實驗證明，該算法具有靈敏度高、抗噪聲能力強

2、的特點?！　PCNN脈沖發(fā)放同步性是以象素空間鄰近和灰度相似為基礎的，神經元的脈沖值與其前突觸勢的大小、鄰近象素灰度梯度變化率等因素無關，這給其應用帶來了固有的局限性。本文依據生物視覺系統(tǒng)對圖像不同信息含量區(qū)域敏感度不同的特性，研究了一種基于感受野機制的脈沖耦合神經網絡模型(RTPCNN)。與TPCNN不同的是，RTPCNN中接收外界刺激的突觸不僅有興奮型的而且有抑制型的，這兩種突觸以一定形狀排列組成神經元的感受野。神經元的同步點火

3、描述了圖像空間鄰域所包含的信息量，其點火時間代表信息量的差別。RTPCNN模型更接近生物視覺神經系統(tǒng)，分割結果能很好地符合主觀感受。文章首次給出了RTPCNN的參數估算方法，使分割迭代次數最少。在此基礎上，文章提出了基于信息量的RTPCNN自適應壓縮算法，與傳統(tǒng)PCNN壓縮算法相比，壓縮效率有很大提高。本文在TPCNN的基礎上，結合視網膜側抑制機制，研究了基于視覺側抑制的脈沖耦合神經網絡模型(LTPCNN)。LTPCNN的每個神經元對應