基于仿生自适应忆阻细胞神经网络的图像增强方法技术

本发明专利技术公开了一种基于仿生自适应忆阻细胞神经网络的图像增强方法，融合了模拟人类视觉机制的自适应三高斯模型、细胞神经网络和纳米忆阻器,在典型自适应三高斯模型的基础上,提出了便于硬件实现的线性化自适应三高斯模型,利用高斯核函数和细胞神经网络的图像处理特征，克服了固定图像增强模板和纯数学算法的局限性，大大增强图像增强优势,其增强效果与人眼增强效果更为接近；同时，基于忆阻器的硬件设计,有利于大规模电路集成,便于实现硬件加速和芯片化的端侧实时图像处理。

Image enhancement method based on biomimetic adaptive memristor cell neural network

【技术实现步骤摘要】
基于仿生自适应忆阻细胞神经网络的图像增强方法
本专利技术涉及图像处理
，更具体地说，涉及一种基于仿生自适应忆阻细胞神经网络的图像增强方法。
技术介绍
图像增强可以将图像上感兴趣的特征强调突出,将不需要的特征抑制,从而增强图像的有用信息,提高图像质量。细胞神经网络具有简单的局部互联结构和高速并行处理能力,是构造人工视网膜的基础模型,可被应用于机器视觉中图像处理时的图像增强等方面.然而,现有的此类图像增强方法尚存在一些不足,例如,在处理实际复杂图像时,采用固定模板难以取得理想效果；而且,未能模拟人类视觉系统的全局和局部自适应调节特性,缺乏仿生考虑。
技术实现思路
为解决上述技术问题，本专利技术提供一种基于仿生自适应忆阻细胞神经网络的图像增强方法。为实现上述目的，本专利技术所采用的具体技术方案如下：一种基于仿生自适应忆阻细胞神经网络的图像增强方法，包括以下步骤：S1：对原始图像进行全局亮度归一化处理，得到忆阻细胞神经网络的输入矩阵ug；S2：针对所述原始图像上的每一像素点，计算出以该像素点为中心时所对应的空间邻近三高斯核函数中参数A1和σ2的值，从而确定关于对应的中心细胞Ci,j和其邻域细胞Ck,l的空间邻近三高斯核函数gij,kl；S3：由三高斯核函数gij,kl和对应的单高斯核函数gv(Iij,kl)组成的高斯方程组计算与该像素点所处位置对应的神经网络自适应控制模板参数B，其中：A1、A2和A3分别表示中心区、外周区和边缘区的峰值系数，σ1、σ2和σ3分别表示中心区、外周区和边缘区的尺度参数，σv表示数值高斯滤波的尺度参数，I(i,j)是核函数中心的像素值,I(k,l)是半径为1的邻域内细胞的像素值，k＝i-1,i,i+1，l＝j-1,j,j+1；S4：利用忆阻细胞神经网络的输入矩阵ug和神经网络自适应控制模板参数B进行忆阻细胞神经网络的迭代处理,当网络稳定时,得到仿生增强后的图像；S5：对忆阻细胞神经网络输出的仿生增强后的图像进行恢复处理。进一步地，步骤S1包括：针对彩色原始图像中的每一像素点，获取其对应的像素在R通道、G通道和B通道中的最大值后进行归一化处理；或，针对灰度原始图像，对全部像素值做归一化处理。进一步地，步骤S2中根据以下公式确定参数A1和σ2的值：其中，Con表示中心细胞Ci,j所对应的像素点在其3×3的邻域范围内所有像素值的标准差，Lum表示中心细胞Ci,j所对应的像素点的像素值。进一步地，神经网络自适应控制模板B由忆阻器构成的桥突触电路的权值实现。本专利技术提供的基于仿生自适应忆阻细胞神经网络的图像增强方法融合了模拟人类视觉机制的自适应三高斯模型、细胞神经网络和纳米忆阻器,在典型自适应三高斯模型的基础上,提出了便于硬件实现的线性化自适应三高斯模型,利用高斯核函数和细胞神经网络的图像处理特征，克服了固定图像增强模板和纯数学算法的局限性，大大增强图像增强优势,其增强效果与人眼增强效果更为接近；同时，基于忆阻器的硬件设计,有利于大规模电路集成,便于实现硬件加速和芯片化的端侧实时图像处理。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1为本专利技术实施例提供的M×N的二维细胞神经网络的结构示意图；图2为基于仿生自适应忆阻细胞神经网络的图像增强方法的流程示意图；图3为忆阻细胞的等效电路图示意图；图4为忆阻器构成的桥突触电路的结构示意图；图5为两个模板对系统动态行为的影响和作用示意图；图6-1为中心兴奋模块的空间结构示意图；图6-2为外周抑制模块的空间结构示意图；图6-3为边缘兴奋模块的空间结构示意图；图6-4为三高斯模型的空间结构示意图；图7-1为感受野中心兴奋区敏感区Ai随Con的变化曲线图；图7-2为感受野抑制区半径σ2随Lum的变化曲线图；图8为彩色图像的增强流程示意图；图9-1为Room图像的原始图像；图9-2为Room图像的经过直方图均衡化增强后的图像；图9-3为Room图像的使用SICNN增强后的图像；图9-4为Room图像的使用BAM-CNN增强后的图像；图10-1为Tower图像的原始图像；图10-2为Tower图像的经过直方图均衡化增强后的图像；图10-3为Tower图像的使用Retinex方法增强后的图像；图10-4为Tower图像的使用BAM-CNN增强后的图像。具体实施方式为了使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。细胞神经网络是一种大规模并行模拟信息处理阵列,网络中单元细胞结构相同,细胞与细胞之间具有规律的局部连接特征,是最适宜大规模集成电路实现的神经网络模型之一。细胞神经网络广泛应用于图像处理、目标检测和模式识别等诸多领域，也是构造人工视网膜的模型基础。在细胞神经网络中，模板是决定网络输出的关键因素，不同参数模板实现不同功能.因而,通过设计合适的参数模板,利用细胞神经网络可有效实现图像增强。对于模板的设计,可直接基于理论推导进行参数求值；也可通过在网络状态方程中加入相应的约束条件进行反复训练,得到能处理与该样本类似问题的模板,如:分流抑制细胞神经网络、具有复杂权值的细胞神经网络等。但这类方法得到的模板往往存在过拟合现象,缺乏自适应性，当处理大型复杂图像时,细胞神经网络的规模会对应增大.由于传统CMOS制造工艺和单元电路尺寸的限制,难以高效实现大规模细胞神经网络硬件电路。然而,新兴的纳米级器件忆阻器的出现为此带来新的希望.忆阻器具有高速、低功耗、状态切换、非易失性、易集成、可编程等特性,是实现新一代高密度存储器和非易失运算器的新型有力技术.同时,基于忆阻器状态转换特征与生物突触的极大相似性,纳米忆阻器成为构建微纳米神经突触电路的理想元件。二维细胞神经网络由一层规则排列的神经细胞构成,是一种非线性模拟信息处理系统.细胞神经网络中任一细胞仅与相邻细胞相连并且相互影响,如图1所示,图1为M×N的二维细胞神经网络的结构示意图，每个圆形代表一个细胞,是信息处理的基本单元。请参见图2所示，使用本实施例所提供的基于仿生自适应忆阻细胞神经网络的图像增强方法包括以下步骤：S1：对原始图像进行全局亮度归一化处理，得到忆阻细胞神经网络的输入矩阵ug；S2：针对原始图像上的每一像素点，计算出以该像素点为中心时所对应的空间邻近三高斯核函数中参数A1和σ2的值，从而确定关于对应的中心细胞Ci,j和其邻域细胞Ck,l的空间邻近三高斯核函数gij,kl；S3：由三高斯核函数gij,kl和对应的单高斯核函数gv(Iij,kl)组成的自适应的高斯方程组计算与该像素点所处位置对应的神经本文档来自技高网...

【技术保护点】
1.一种基于仿生自适应忆阻细胞神经网络的图像增强方法，其特征在于，包括以下步骤：/nS1：对原始图像进行全局亮度归一化处理，得到忆阻细胞神经网络的输入矩阵u

【技术特征摘要】
1.一种基于仿生自适应忆阻细胞神经网络的图像增强方法，其特征在于，包括以下步骤：
S1：对原始图像进行全局亮度归一化处理，得到忆阻细胞神经网络的输入矩阵ug；
S2：针对所述原始图像上的每一像素点，计算出以该像素点为中心时所对应的空间邻近三高斯核函数中参数A1和σ2的值，从而确定关于对应的中心细胞Ci,j和其邻域细胞Ck,l的空间邻近三高斯核函数gij,kl；
S3：由三高斯核函数gij,kl和对应的单高斯核函数gv(Iij,kl)组成的高斯方程组计算与该像素点所处位置对应的神经网络自适应控制模板参数B，其中：






A1、A2和A3分别表示中心区、外周区和边缘区的峰值系数，σ1、σ2和σ3分别表示中心区、外周区和边缘区的尺度参数，σv表示数值高斯滤波的尺度参数，I(i,j)是核函数中心的像素值,I(k,l)是半径为1的邻域内细胞的像素值，k＝i-1,i,i+1，l＝j-1,j,j+1；



S4：利用忆阻细胞神经网络的输入矩阵ug和神经网络自适应...

【专利技术属性】
技术研发人员：胡小方，郑雅文，周跃，段书凯，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;50