郭旭展+姚建峰

摘要：基于脈沖耦合神經(jīng)網(wǎng)絡(luò)， 提出了一種有效的脈沖噪聲圖像濾波算法。利用 PCNN相似群神經(jīng)元同步發(fā)放脈沖的特性檢測(cè)噪聲點(diǎn)，并利用中值濾波對(duì)噪聲點(diǎn)進(jìn)行濾波。仿真表明，該方法對(duì)不同強(qiáng)度的噪聲圖像均體現(xiàn)了較好的濾波性能，在去噪效果和運(yùn)行效率上同其它方法相比具有明顯優(yōu)勢(shì)。

關(guān)鍵詞關(guān)鍵詞：脈沖耦合神經(jīng)網(wǎng)絡(luò)；脈沖噪聲；同步脈沖

DOIDOI：10.11907/rjdk.143807

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2015）002014302

0引言

數(shù)字圖像在生成和傳輸過(guò)程中有可能會(huì)受到多種噪聲污染，其中典型的噪聲是脈沖噪聲。脈沖噪聲主要表現(xiàn)為極端的點(diǎn)狀污染，噪聲點(diǎn)與周邊像素的灰度值區(qū)別很大，對(duì)圖像的特征破壞也很大。常用的降噪方法包括中值濾波[1]和均值濾波。但這兩種處理方法不區(qū)分噪聲點(diǎn)，只是對(duì)所有像素進(jìn)行同樣的操作，整體圖像都被平滑化，因此圖像的細(xì)節(jié)破壞很大。如何利用噪聲與周圍像素的灰度區(qū)別進(jìn)行準(zhǔn)確識(shí)別，有目的地進(jìn)行降噪，保護(hù)圖像細(xì)節(jié)，提高圖像識(shí)別效果，一直是圖像處理的研究熱點(diǎn)[2]。

經(jīng)過(guò)長(zhǎng)期研究，圖像處理技術(shù)日趨成熟，傳統(tǒng)處理方法難以進(jìn)一步提高處理效果，而模擬人的認(rèn)知過(guò)程是一種新的發(fā)展方向，神經(jīng)網(wǎng)絡(luò)就是其中的代表。長(zhǎng)期以來(lái)，經(jīng)典的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)等，在這一過(guò)程中得到廣泛應(yīng)用，但其處理信息是依賴于閾值和連接權(quán)值，這與人的認(rèn)知方式截然不同，效果并不理想。脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）是1990年Eckhorn提出的一種基于貓的視覺(jué)原理構(gòu)建的簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)模型，與其它神經(jīng)網(wǎng)絡(luò)相比，PCNN能從復(fù)雜背景下提取有效信息，不需要提前學(xué)習(xí)或者訓(xùn)練，同時(shí)具有同步脈沖發(fā)放和全局耦合等特性，其信號(hào)形式和處理機(jī)制更符合人類視覺(jué)神經(jīng)系統(tǒng)的生理學(xué)基礎(chǔ)[3]。

1算法思想

1.1PCNN模型

脈沖耦合神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)貓、猴等哺乳動(dòng)物視覺(jué)神經(jīng)細(xì)胞的模擬，利用單個(gè)神經(jīng)元線性相加，激勵(lì)可以傳播的、其周圍的神經(jīng)元，經(jīng)過(guò)與閾值的比較以確定是否產(chǎn)生點(diǎn)火，一旦條件成立，可以形成神經(jīng)元集群同步振蕩脈沖。同時(shí)由于PCNN模型在進(jìn)行圖像處理時(shí)與圖像的像素一一對(duì)應(yīng)，圖像中相似的區(qū)域更容易產(chǎn)生集群點(diǎn)火，因而PCNN在處理過(guò)程中無(wú)需考慮神經(jīng)元的數(shù)量，對(duì)二維圖像的處理非常方便。圖像通過(guò)PCNN處理時(shí)，空間相似、灰度相似的像素被分組，有利于識(shí)別被污染的像素位置，利于下一步處理。

通常的PCNN 模型可以用數(shù)學(xué)方程表達(dá)如下[4]：

Fij（n）=e-αFFij（n-1）+Sij+VF∑k，lMijklYkl（n-1）（1）

Lij（n）=e-αLLij（n-1）+VL∑k，lMijklYkl（n-1）（2）

Uij（n）=Fij（n）（1+βLij（n））（3）

θij（n）=e-αθθij（n-1）+VθYij（n-1）（4）

Yij（n）=step（Uij（n）-θij（n））（5）

其中：Fij（n）是神經(jīng)元的輸入；Lij（n）是窗口神經(jīng)元的連接輸入；Uij（n）是神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)；θij（n）是神經(jīng)元的動(dòng)態(tài)閾值；Yij（n）是神經(jīng)元的對(duì)外脈沖；VF是反饋域的放大系數(shù)；αF是反饋域的衰減時(shí)間常數(shù)；Sij是神經(jīng)元受到的外部激勵(lì)，可以反映圖像中對(duì)應(yīng)位置的灰度；VL和αL是耦合連接域的放大系數(shù)和誤差時(shí)間常數(shù)；β為內(nèi)部活動(dòng)項(xiàng)連接系數(shù)；θij是動(dòng)態(tài)閾值，Vθ和αθ是其放大系數(shù)和衰減時(shí)間常數(shù)；Uij是內(nèi)部活動(dòng)信號(hào)。PCNN在上述各式中的參數(shù)表明，PCNN在處理過(guò)程中，具有可變閾值、非線性調(diào)制、同步脈沖激發(fā)、鄰接捕獲、等特性，可用于多個(gè)方面。但傳統(tǒng)模型在實(shí)際使用時(shí)，需要合理設(shè)定各種門限參數(shù)、衰減參數(shù)、運(yùn)行次數(shù)才能得到滿意結(jié)果。這種人工干預(yù)降低了模型的實(shí)用性，同時(shí)模型使用了指數(shù)衰減常數(shù)，這嚴(yán)重降低了系統(tǒng)的運(yùn)行速度，因此必須將模型進(jìn)行簡(jiǎn)化。通過(guò)分析，PCNN在此處理過(guò)程中，主要是識(shí)別噪聲污染，F(xiàn)ij僅需獲取對(duì)應(yīng)像素的灰度值，Lij也可僅通過(guò)處理窗口的情況確定，θij的放大系數(shù)與誤差時(shí)間常數(shù)直接參與工作。因此，可以將其進(jìn)一步簡(jiǎn)化為式（6）-式（10）。

Fij（n）=Sij（6）

Lij（n）=VL∑k，lMijklYkl（n-1）（7）

Uij（n）=Fij（n）（1+βLij（n））（8）

θij（n）=αθθij（n-1）+VθYij（n-1）（9）

Yij（n）=1，0， ifUij（n）>θij（n）otherwise（10）

在簡(jiǎn)化后，消除了指數(shù)衰減常數(shù)，同時(shí)保留了神經(jīng)網(wǎng)絡(luò)的放大系數(shù)、誤差時(shí)間常數(shù)、活動(dòng)連接系數(shù)等參數(shù)，保留了PCNN的基本特性使其能夠捕獲相關(guān)激勵(lì)信號(hào)，并提高了運(yùn)行效率。在用PCNN進(jìn)行降噪處理時(shí)，由于PCNN的神經(jīng)元分別與圖像的像素點(diǎn)一一對(duì)應(yīng)，則PCNN獲得對(duì)應(yīng)像素點(diǎn)的灰度值，并成為神經(jīng)元的對(duì)應(yīng)外部激勵(lì)Sij，當(dāng)滿足參數(shù)條件時(shí)，此神經(jīng)元自然點(diǎn)火，產(chǎn)生脈沖并激勵(lì)周圍神經(jīng)元。同時(shí)，此神經(jīng)元的閾值θij會(huì)根據(jù)上述公式首先急劇增大，然后隨著時(shí)間衰減。在此過(guò)程中，自然點(diǎn)火的神經(jīng)元會(huì)對(duì)鄰接神經(jīng)元進(jìn)行激勵(lì)，誘導(dǎo)鄰接神經(jīng)元點(diǎn)火。但只有與自然點(diǎn)火神經(jīng)元的對(duì)應(yīng)像素具有相似強(qiáng)度的神經(jīng)元才會(huì)被捕獲產(chǎn)生點(diǎn)火，反之則不會(huì)被捕獲。則根據(jù)神經(jīng)元點(diǎn)火時(shí)間的不同，圖像像素形成若干個(gè)不同的集群，從而區(qū)分出自然圖像中灰度不同的區(qū)域。在激勵(lì)過(guò)程中，不同的像素集群的閾值衰減周期不同，其集群的對(duì)外脈沖周期也不同，這樣圖像的點(diǎn)火集群類似于波進(jìn)行傳播，通過(guò)這種傳播可以區(qū)分出圖像中與此集群類似的其它集群。通過(guò)這種方式，PCNN能夠自發(fā)識(shí)別出圖像的噪聲點(diǎn)，這種識(shí)別是通過(guò)像素的自然屬性——灰度完成的，而非通過(guò)預(yù)處理或訓(xùn)練完成。這對(duì)于處理不同類型的圖像非常有幫助，尤其是處理實(shí)時(shí)圖像。

1.2噪聲濾波算法

根據(jù)PCNN的工作原理，相似的神經(jīng)元可同步發(fā)出脈沖，同時(shí)，由于噪聲像素與周邊像素的灰度區(qū)別，污染像素與周邊像素將異步發(fā)出脈沖。通過(guò)在3×3的窗口中設(shè)定閾值N=6，如果像素點(diǎn)（i，j）點(diǎn)火且周邊點(diǎn)火像素?cái)?shù)量小于N，則此像素是被污染的，確定了像素點(diǎn)位置就可以用MF算法進(jìn)行濾波。

2實(shí)驗(yàn)測(cè)試與分析

為了測(cè)試改進(jìn)PCNN算法的有效性，采用Matlab 編程進(jìn)行了計(jì)算機(jī)仿真實(shí)驗(yàn)，測(cè)試采用256×256的8位灰度Lena圖。通過(guò)對(duì)比測(cè)試噪聲強(qiáng)度分別為10%、20%、40%的污染圖像（見(jiàn)圖1），分別采用中值濾波、均值濾波和PCNN濾波（見(jiàn)圖2-圖4）。PCNN的連接權(quán)重Mijkl由3×3窗口確定，其值Mijkl=0.70710.7071010.70710.707

算法步驟如下：①根據(jù)上述內(nèi)容，初始化PCNN參數(shù)；②在每個(gè)神經(jīng)元的3×3窗口，采用式（6）、式（7）計(jì)算F、L，式（9）計(jì)算閾值；③根據(jù)式（8）計(jì)算神經(jīng)元內(nèi)部信號(hào)U；④根據(jù)式（10）是確定是否點(diǎn)火；④根據(jù)PCNN識(shí)別結(jié)果進(jìn)行中值濾波；⑤輸出圖像處理結(jié)果。

3結(jié)語(yǔ)

作為一種模擬生物視覺(jué)原理的神經(jīng)網(wǎng)絡(luò)算法，PCNN 在圖像處理和信號(hào)處理方面具有廣闊的應(yīng)用前景。本文基于改進(jìn)的PCNN方程，采用標(biāo)準(zhǔn)測(cè)試圖像進(jìn)行測(cè)試，驗(yàn)證圖像受到脈沖噪聲污染時(shí)，PCNN可以取得較好的濾波