一种基于PCNN的图像去噪方法技术

本发明专利技术公开了一种基于PCNN的图像去噪方法，包括步骤：对输入图像的参数进行初始化，使得每一个像素点都处于熄火状态；获取PCNN模型的阈值θ

【技术实现步骤摘要】
一种基于PCNN的图像去噪方法
本专利技术涉及图像处理
，特别涉及一种基于PCNN的图像去噪方法。
技术介绍
在图像成像的过程中，我们无法避而不谈的困难就是干扰图像质量的一些因素，比如图像在生成或传输过程中会受到各种噪声污染、成像设备不能完全聚焦、成像对象处于遮挡状态和光照不足、设备本身存在的设计缺陷等都可能会使图像质量受到严重损害，因此，有必要对图像进行去噪处理。当前对图像进行去噪处理有以下三种方法：1.均值滤波法，是一种线性滤波算法，用全体像素的平均值代替原来像素值，但该算法在对图像的处理过程中容易造成图像边界模糊。2.中值滤波法，是一种非线性平滑技术，将每一像素点的灰度值设置为该点某领域窗口内的所有像素点灰度值的中值；但该算法在对图像的处理过程中容易出现的不良情况为某程度上的边界失真。3、变换域去噪算法，使用特定的函数图像以及适当的过滤处理变换滤波系数，通过反变换到空间域，分离图像信号和噪声信号，并对噪声信号进行过滤，但由于图像信号的相对频率也可能被去除，算法会使图像的边界模糊。即目前的图像去噪方法都会影响图像的的边界，可见，现有技术还有待改进和提高。
技术实现思路
鉴于上述现有技术的不足之处，本专利技术的目的在于提供一种基于PCNN的图像去噪方法，通过模仿神经元点火值来对图像的像素进行校正，可有效去除图像中的噪声且可保留图像的边界细节信息，提高图像的去噪效果。为了达到上述目的，本专利技术采取了以下技术方案：一种基于PCNN的图像去噪方法，包括步骤：S100、对输入图像的参数进行初始化，使得每一个像素点都处于熄火状态；S200、获取PCNN模型的阈值θij、连接强度βij以及步长ΔF；S300、获取调整次数N；S400、利用PCNN模型对输入图像进行迭代处理，并获取每个像素点及其预设领域内的像素点的点火状态；S500、当某个像素点及其预设领域内的像素点中，处于点火状态的像素点的个数大于预设个数时，则执行步骤S600；S600、该像素点的像元亮度的值减小步长ΔF；S700、调整次数N减少一次，并判断减少后的N是否等于0；S800、若N不等于0，则重复执行步骤S400至步骤S700；若N等于0，则将图像输出PCNN模型。所述的基于PCNN的图像去噪方法中，还包括步骤：S900、采用数字形态学的开运算对PCNN模型输出的图像进行二次处理。所述的基于PCNN的图像去噪方法中，所述预设个数为4个。所述的基于PCNN的图像去噪方法中，所述步骤S500具体包括步骤：当某个像素点处于点火状态且预设领域内的像素点中处于点火状态的像素点超过3个时，或当某个像素点处于熄火状态且预设领域内的像素点中处于点火状态的像素点超过4个时，则执行步骤S600。所述的基于PCNN的图像去噪方法中，所述预设领域为8领域，预设领域内包括8个与该像素点连接的像素点。所述的基于PCNN的图像去噪方法中，所述步骤S400具体包括步骤：S410、利用PCNN模型对输入图像进行迭代处理；S420、计算每个像素点的信号强度及其预设领域内的像素点的信号强度；S430、计算每个像素点的内部活动项及其预设领域内的像素点的内部活动项；S440、将每个像素点的内部活动项与阈值θij作比较，若内部活动项大于阈值θij，则该像素点处于点火状态。所述的基于PCNN的图像去噪方法中，所述信号强度为Lij，所述内部活动项为Uij，Uij＝Fij(1+βijLij)，其中，Fij为像素点的连接输入。有益效果：本专利技术提供了一种基于PCNN的图像去噪方法，通过获取每个像素点的点火状态，并将某个像素点及其预设领域内的处于点火状态的像素点个数与阈值进行比较，可对像素点的像元亮度进行调整，即通过模仿神经元的点火值对像素进行修正，可有效地去除带噪图像中的噪声，使得图像内的主要细节信息以及边界细节信息被有效保留，即避免了传统图像去噪方法引起的图像边缘模糊化，提高输出的、去噪后的图像的质量。附图说明图1为本专利技术提供的图像去噪方法的控制流程图；图2为本专利技术提供的步骤S500的一个实施例的控制流程图；图3为本专利技术提供的步骤S400的一个实施例的控制流程图。具体实施方式本专利技术提供了一种基于PCNN的图像去噪方法，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术作进一步详细说明。在本专利技术的描述中，需要理解的是，术语“安装”、“连接”等应做广义理解，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。PCNN可以被称为一种先进的神经网络模型技术，其工作模式接近于哺乳动物的神经元对于信息的处理模式；PCNN模型的单个神经元工作由三个模块组成，这三个模块分别是接收输入信息域、非线性联接域以及脉冲产生域；接收输入信息域由两个通道构成，包括信息反馈输入通道F以及线性连接输入通道L，其中，L通道的主要任务是实现来自局部邻域神经元突触输入的接收，而F通道的主要任务不仅用于实现局部互联信息的接收，还需要承担外界刺激的信息输入接收口的任务；脉冲产生域包括脉冲产生器以及阈值变化比较器两个部分。请参阅图1至图3，本专利技术提供了一种基于PCNN的图像去噪方法，包括步骤：S100、对输入图像的参数进行初始化，使得每一个像素点都处于熄火状态；当像素点处于熄火状态时，像素点的脉冲输出Yij＝0。S200、获取PCNN模型的阈值θij、连接强度βij以及步长ΔF；S300、获取调整次数N，所述调整次数N是指PCNN模型的迭代次数，即图像的处理次数；所述阈值θij、连接强度βij、步长ΔF以及调整次数N可由用户预先设定。S400、利用PCNN模型对输入图像进行迭代处理，并获取每个像素点及其预设领域内的像素点的点火状态。在一个实施例中，所述PCNN模型中的神经元按照式(1-1)至式(1-5)进行迭代：Fij＝Sij(1-1)Uij(n)＝Fij(n)[1+βLij(n)](1-3)其中，Sij为外部输入激励，即点(i，j)对应像素点的灰度值；Fij是神经元输入项，Uij、Yij、θij分别是各神经元的内部活动项、脉冲输出和动态阈值；若动态阈值小于内部活动项，则神经元被激活，输出一个脉冲，接着，系统反馈使动态阈值快速增大至预设阈值VE，此时，脉冲产生器开始关闭，相邻神经元被抑制，停止输出脉冲；动态阈值随着时间变化呈指数衰减，相邻神经元受到的约束减少，当活动阈值小于内部活动项时，神经元继续被激发，并随即输出脉冲，如此往复。S500、当某个像素点及其预设领域内的像素点中，处于点火状态的像素点的个数大于预设个数时，则执行步骤S600；S600、该像素点的像元亮度的值减小步长ΔF，即本文档来自技高网...

【技术保护点】
1.一种基于PCNN的图像去噪方法，其特征在于，包括步骤：/nS100、对输入图像的参数进行初始化，使得每一个像素点都处于熄火状态；/nS200、获取PCNN模型的阈值θ

【技术特征摘要】
1.一种基于PCNN的图像去噪方法，其特征在于，包括步骤：
S100、对输入图像的参数进行初始化，使得每一个像素点都处于熄火状态；
S200、获取PCNN模型的阈值θij、连接强度βij以及步长ΔF；
S300、获取调整次数N；
S400、利用PCNN模型对输入图像进行迭代处理，并获取每个像素点及其预设领域内的像素点的点火状态；
S500、当某个像素点及其预设领域内的像素点中，处于点火状态的像素点的个数大于预设个数时，则执行步骤S600；
S600、该像素点的像元亮度的值减小步长ΔF；
S700、调整次数N减少一次，并判断减少后的N是否等于0；
S800、若N不等于0，则重复执行步骤S400至步骤S700；若N等于0，则将图像输出PCNN模型。


2.根据权利要求1所述的一种基于PCNN的图像去噪方法，其特征在于，还包括步骤：
S900、采用数字形态学的开运算对PCNN模型输出的图像进行二次处理。


3.根据权利要求1所述的一种基于PCNN的图像去噪方法，其特征在于，所述预设个数为4个。


4.根据权利要求3所述的一种基于PCNN的...

【专利技术属性】
技术研发人员：刘畅，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东;44