新的PCNN实现方法及其在图像处理中的应用研究

赵海燕



新的PCNN实现方法及其在图像处理中的应用研究

赵海燕

成都东软学院计科系，四川 都江堰 611844

随着计算机技术的不断发展，图像处理技术水平也是在不断得到提升，其所应用的先进技术也是越来越多，其中PCNN在图像处理中的应用使得图像处理的水平得到了一个质的飞跃。在此主要对新的PCNN实现方法进行了分析，并对其在图像处理当中的具体应用进行了探讨，以期能够不断提升图像处理水平。

PCNN；图像处理；应用研究

PCNN是不同于传统人工神经网络的一种新型神经网络模型，是根据动物大脑皮层上的脉冲振荡提出的一种生物神经模型，这种模型已经广泛应用在图像处理或识别当中，其所应用的优势也非常明显，也正在逐渐成为图像处理中的应用翘楚，且随着PCNN新的实现方法的出现，其在图像处理当中的应用也更加得到重视[1]。

1 新的PCNN实现方法

PCNN全称为脉冲耦合神经网络，是一种新型的神经网络模型，属于单层二位脉冲耦合神经元阵列，将每个神经元对应图像当中的一个像素，就可以对图像进行处理。这种模型在图像处理当中的表现比较出色，且随着PCNN技术的不断发展，其在图像处理中所占有的地位也是越来越突出，在这里笔者主要是提出了新的PCNN实现方法，也对其在图像处理当中的应用结合进行了讨论。这里所提到的新的实现方法主要是快速算法实现，主要表现在两点上：一是简化模型。相对于传统的PCNN模型，新的实现方法当中对内部行为计算进行了较大简化，包括阈值产生方式进行简化，通过查找表的方式来获取阈值，减少中间的计算过程，并且对网络运行机制进行进一步优化，优化后的模型当中神经元只能点火一次，之后该神经元不再进行点火，这样能够极大简化传统的PCNN模型；二是新的整数运算[2]。PCNN模型操作主要是通过内部行为和阈值两者比较来实现的，其中内部行为中的小数则是通过连接幅值系数、连接系数和连接权来引入，这就会使得内部行为小数位数至少是在4位左右的。这时，新的实现方法当中，将每个系数乘以一个比较大的常数，比如乘以10000，就可以将原来至少四位的小数转化成整数[3]。相对应的查找阈值表时也同样乘以预定的常数，将阈值也转化成整数，这样就可以进行整数计算，整数计算的结果更加明了、简单，也能够对复杂的小数计算进行简化。而且在网络运行前就将乘以常数这一步骤输入到相应的计算步骤当中，这样就不会影响网络运行效率，不用担心整数的转换给神经网络模型的计算效率带来影响。然后，在计算公式时同样将原来的常数1改成之后确定的常数，比如10000，这样就能够实现整个PCNN模型当中的整数计算，有效提升PCNN运算的执行效率[4]。

2 PCNN在图像处理当中的应用

2.1 图像增强

PCNN在图像处理中的应用首先表现在图像增强方面，在应用上先是通过用PCNN来获取时间索引图，并且对时间索引图灰度级进行规格化处理，保证灰度技术和原来的输入图像是一致的，然后利用公式对细节增强图像进行计算，将计算出来的细节增强图像同样进行灰度级规格化处理，这样就可以利用常数来增强细节部分的增强程度，通常这个常数设置为0.5。在整体视觉增强方法上，应用方法和细节增强方法基本是一致的，只是在计算公式上有所差异[5]。

2.2 边缘检测

有时有很多输入到系统当中的图像会出现一些细节纹理所形成的图像边缘，这些边缘往往是没有什么物理意义的，同时还会对图像的后期处理产生一定的干扰，因而需要对这些边缘进行检测并将其处理掉。传统的图像处理技术无法完成对边缘进行精确检测，而PCNN在图像处理当中的应用则能够在一定条件下有效减少细节纹理带来的干扰，并对相应边缘进行检测[6]。具体的应用方法是，首先利用PCNN获取时间索引图，然后同样对时间索引图进行灰度级规格化处理，使输入图像和时间索引图的灰度级数相同。然后，用系统中自带的边缘检测方法在索引图当中对边缘进行检测，由于借助了时间索引图的应用，对图像中的边缘检测也更加精准，从而能够有效减少输入图像中的细节纹理干扰[7]。

2.3 图像分割

图像处理当中不同区域的图像分割是其中的处理难点[8]，基于PCNN的图像处理系统能够对不同灰度的图像进行一定的图像分割，其分割原理主要是如果只有两个区域的一幅图像当中，一部分为背景区，一部分为目标区，那么如果目标区的灰度分布范围（XRmin，XRmax）和背景区的灰度分布范围（XBmin，XBmax）发生重叠，那么XRmin（1+βLRmin（tR））≥XRmax，XBmax（1+βLBmax（tR））≥XRmax，XBmin（1+βLBmin（tB））≥XBmax这三个条件同时成立时，图像就可以进行完美分割。目前，对于PCNN在图像分割中的应用是否能够确定使上述三个条件同时成立，并且完成对图像的完美分割，当前还没有确切的定论[9]。

3 结束语

新型PCNN在图像处理中的应用主要可以表现在图像去噪、分割和边缘检测等方面上，由于PCNN本身所具备的生物学背景使得其在图像处理上有着明显优势，应用前景也十分广阔，应充分引起相关的研究人员重视，并且不断加强对PCNN理论方面的研究，对其参数选取进行设置，从而有效提升PCNN的运行效率，保证图像处理的效果[10]。

[1]王蒙军，郭林.改进内部活动项的多通道PCNN彩色图像分割[J].激光与光电子学进展，2015，52（12）：80-86.

[2]金鑫，聂仁灿，周冬明，等.S-PCNN与二维静态小波相结合的遥感图像融合研究[J].激光与光电子学进展，2015，52（10）：139-144.

[3]夏潇鸾，邓红霞，李海芳.改进遍历过程的PCNN在图像处理中的应用[J].计算机应用，2013，33（10）：2895-2898.

[4]邵晓鹏，钟宬.一种简化PCNN模型在彩色图像边缘检测上的应用[J].西安电子科技大学学报，2012，39（6）：1-9.

[5]罗建.一种改进的PCNN模型及在图像处理中的应用[J].西华师范大学学报（自然科学版），2011，32（4）：397-401.

[6]石斌.医学图像分割处理中改进型PCNN模型的应用综述[J].甘肃科技，2015（19）：132-133.

[7]罗建，李艳梅.一种改进的PCNN模型及在图像处理中的应用[J].西华师范大学学报：自然科学版，2011，32（4）：397-401.

[8]张淼，欧幸福，唐雄民，等.PCNN在金属拉链缺陷检测中的应用[J].计算机工程与应用，2014，50（18）：251-256.

[9]王晓军，王崴，刘晓卫，等.基于图像复杂度的PCNN边缘检测新算法[J].弹箭与制导学报，2015，35（4）：154-158.

[10]陆玉婧，李海燕，费勤水，等.基于简化的PCNN在超声乳腺癌图像去噪方面的应用[J].生物医学工程研究，2013，32（2）：36.

New PCNN Implementation and Its Application in Image Processing

Zhao Haiyan

Chengdu Neusoft project department，Sichuan Dujiangyan 611844

With the development of computer technology，image processing technology is constantly been improved，it is applied advanced technology is more and more，which PCNN application in image processing，image processing so that the level has been a qualitative leap.This paper focuses on the new PCNN implementation were analyzed and discussed their specific application in image processing so as to，in order to be able to continuously improve the level of image processing.

PCNN; Image Processing; Application

TP391.41；TP183

A

1009-6434(2016)07-0128-02