一种基于脉冲神经网络的图像特征描述方法技术

本发明专利技术公开了一种基于脉冲神经网络的图像特征描述方法，包括如下步骤：S1、对原始图像进行预处理；S2、使用Sobel算子对脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理；S3、将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取；S4、实现特征提取；S5、使用编码层进行Spiking编码与采样处理；S6、根据脉冲序列，使用改进的Tempotron算法，学习编码层神经元到学习层神经元的连接权重；S7、进行处理后图像的描述，并进行图像特征的描述。本发明专利技术解决了现有技术存在的特征选择与提取繁琐，计算复杂，提取的特征对物体的区分性弱，重要特征易丢失和改变以及无法根据记忆对图像进行较完整的恢复的问题。

An Image Feature Description Method Based on Pulse Neural Network

The invention discloses an image feature description method based on pulse neural network, which includes the following steps: S1, preprocessing the original image; S2, sparse processing of Gabor filter convolution layer of pulse neural network by using Sobel operator; S3, feature extraction by inputting the processed image into sparse Gabor filter convolution layer; S4, feature extraction by S5, and editing by using Sobel operator; The code layer carries out Spiking coding and sampling processing; S6, according to the pulse sequence, uses the improved Tempotron algorithm to learn the connection weights between the coding layer neurons and the learning layer neurons; S7, describes the processed image and describes the image features. The present invention solves the problems of complicated feature selection and extraction, complex calculation, weak discrimination of extracted features to objects, easy loss and change of important features and incomplete restoration of images based on memory.

【技术实现步骤摘要】
一种基于脉冲神经网络的图像特征描述方法
本专利技术属于智能计算领域，具体涉及一种基于脉冲神经网络的图像特征描述方法。
技术介绍
在对物体的识别能力上，生物的视觉系统相对于目前的计算机视觉系统拥有更强大的能力。当两个不同的图像同时出现在人类试验者的左右时，试验者可以在120-130毫秒的时间内选择出目标物体。如果我们假定人类的视觉系统中的处理延迟是20-30毫秒，这意味着潜在的视觉处理可以在100毫秒或更短的时间内完成。在最新的猴子脑电试验中，记录颞叶皮层(IT)的数据显示，在12.5ms的时间段内脉冲点火(Spike)，并且在刺激发起之后仅约100ms产生关于视觉刺激的信号。计算机视觉是使用计算机及相关设备模拟生物视觉，其最终研究目标是使计算机能像人一样通过视觉观察和理解世界，对环境具有自主适应能力。目前，计算机视觉广泛应用于工业、军事等领域，具体应用包括机器人路径规划、无人机侦查、自主战斗等。然而，要实现上述应用，其中一项最基本且重要的研究内容是计算机视觉中的图像分类与识别。其研究思路是：首先，设计一种图像特征的描述和记忆方法；然后，用该方法描述和记忆训练图像，并记录描述和记忆结果本文档来自技高网...

【技术保护点】
1.一种基于脉冲神经网络的图像特征描述方法，其特征在于，包括如下步骤：S1：对原始图像进行预处理，得到处理后图像；S2：使用Sobel算子对脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理，得到稀疏Gabor滤波器卷积层；S3：将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取，得到处理后图像中每个像素点处的梯度方向；S4：根据每个像素点处的梯度方向，得到卷积特征图；S5：根据卷积特征图，使用编码层进行Spiking编码与采样处理，得到编码层神经元输出的脉冲序列；S6：根据脉冲序列，使用改进的Tempotron算法，学习编码层神经元到学习层神经元的连接权重；S7：根据编码神经元和学习神经...

【技术特征摘要】
1.一种基于脉冲神经网络的图像特征描述方法，其特征在于，包括如下步骤：S1：对原始图像进行预处理，得到处理后图像；S2：使用Sobel算子对脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理，得到稀疏Gabor滤波器卷积层；S3：将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取，得到处理后图像中每个像素点处的梯度方向；S4：根据每个像素点处的梯度方向，得到卷积特征图；S5：根据卷积特征图，使用编码层进行Spiking编码与采样处理，得到编码层神经元输出的脉冲序列；S6：根据脉冲序列，使用改进的Tempotron算法，学习编码层神经元到学习层神经元的连接权重；S7：根据编码神经元和学习神经元的发放时刻，进行处理后图像的描述，根据连接权重，进行图像特征的描述。2.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法，其特征在于，所述步骤S1中，进行预处理，即将原始图片转换为灰度图，并通过插值采样将灰度图都压缩至100*100像素。3.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法，其特征在于，所述步骤S3中，梯度方向的计算公式为：式中，Θ(x,y)为在图像(x,y)处的梯度方向，即Θ；Gx和Gy为在图像(x,y)处的偏导数。4.根据权利要求1所述的基于脉冲神经网络的图像特征描述方法，其特征在于，所述步骤S5中，Spiking编码与采样处理的方法，包括如下步骤：S5-1：使用Spiking编码算法，将卷积特征图转换为Spiking初始时空信号；S5-2：采用基于差异延迟的采样算法对Spiking初始时空信号进行采样，得到采样特征图；S5-3：根据采样特征图输出采样时空信号，即脉冲序列。5.根据权利要求4所述的基于脉冲神经网络的图像特征描述方法，其特征在于，所述步骤S5-1中，将卷积特征图的每一个像素点模拟成神经元...

【专利技术属性】
技术研发人员：李建平，顾小丰，胡健，刘丹，蔡京京，李伟，孙睿男，赖志龙，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51