基于局部耦合神经振子网络的简单灰度图像分割方法技术

本发明专利技术公开了一种基于局部耦合神经振子网络的简单灰度图像分割方法，包括：建立视觉图像输入层，建立神经元振子网络振荡层，建立目标之间分离层。视觉图像输入层负责将视觉图像与神经元振子网络振荡层上神经网络中的神经元振子建立一一对应关系；神经元振子网络振荡层负责通过模拟人脑视觉皮层中功能柱对视觉图像处理的功能来对每个神经元振子建立动力学系统模型，使得每个振子产生振荡，并在相邻振子的局部耦合作用下产生同步振荡；目标之间分离层负责根据同步振荡结果通过采取去同步机制实现视觉图像上目标区域之间的分离。本发明专利技术分析了神经元振子产生振荡以及同步振荡的参数设置要求，对于认识和理解图像分割具有指导作用和理论意义。

【技术实现步骤摘要】

本专利技术涉及图像处理和神经元网络
，特别是涉及一种以局部耦合神经元 振子网络形式实现的、用于处理视觉图像中同一背景下不同目标区域之间相互分离的系统。
技术介绍
人眼处理视觉图像时可以在很短的时间内轻松的进行感知和理解，然而研究者对 其中的机理至今仍然知之甚少。但是，大量的生理学实验表明视觉器官有可能首先抽取对 象的各个局部特征并且并行的向中枢传送，问题是中枢怎样再将这些特征重新整合起来， 这就是所谓的结合问题，视觉图像中同一背景下不同对象(目标区域)的分离就属于此类 问题。为处理这个问题，Hebb提出一种理论，这种理论认为为了检测一个对象，需要有一群 神经元提高它们的平均发放量，但这却引发了新的问题——叠加问题。为克服新的问题， Von der Malsburg和Schneider对Hebb理论进行了修正，他们认为同一对象应由一群同步 振荡的神经元来表征，属于同一对象的神经元的发放彼此同步，而不同对象的神经元的发 放则不存在一致的相位关系。这一理论被后来的实验所证实在猫的视觉皮层上记录到了 频率在40-60Hz的振荡现象。在上述实验和理论的基础上，研究者们提出了很多神经元振子网络模型模拟真实 的人脑中神经元行为。Wilson-Cowan神经元振子网络模型就是其中的一种，它能够比较 好地模拟人类视觉皮层中功能柱同步振荡行为，这一性质使得Wilson-Cowan模型在图像 分割领域特别是分离视觉图像中同一背景下不同目标区域方面具有很广的应用前景，而且 Grayetal等人已经通过经典的生理学实验对这一模型进行了验证。
技术实现思路
本专利技术的目的在于，提供一种基于局部耦合神经元振子网络的简单灰度图像分割 方法，利用神经元振子网络构建用于处理视觉图像中同一背景下不同目标区域之间相互分 离的系统，该系统由三层组成视觉图像输入层，神经元振子网络振荡层，目标区域分离层。 总体上说，该系统首先将一幅视觉图像与一族神经元振子建立一对一关联，然后让这一组 神经元振子产生振荡，使得具有相同振荡周期和振幅的振子运动到同一个极限环上，再利 用振子之间的耦合关系执行同步操作以改变同一个极限环上各个振子之间的相位差距，最 后通过去同步操作就可以获得具有相同周期、振幅、相位的每组神经元振子，此时每组神经 元振子就对应视觉图像上一个目标区域中的所有像素点，由此实现图像分割。本专利技术是采用以下技术手段实现的建立视觉图像输入层，首先将视觉图像输入到神经元振子网络振荡层上的神经网 络中，图像中的像素点与神经网络上的神经元振子存在一一对应关系。建立神经元振子网络振荡层，对这一层上神经网络中的每个神经元振子建立动力 学系统模型，使得振荡过程中具有相同振荡周期和振幅的神经元振子运动到同一个极限环 上，并进一步实现同步振荡。这一层相对复杂，主要包含以下三方面内容第一，单一神经元振子由兴奋性单元和抑制性单元这两个部分组成，在外部刺激 (每个振子所对的像素点取值)以及这两个单元的相互作用下，这两个单元各自的脉冲发 放率存在不同的变化特性，因此对单一神经元振子建立动力学系统模型就要利用二阶微分 方程组描述这两个单元各自的脉冲发放率。为了使系统更加灵活并便于理论分析，本专利技术 分别采用了不同的系数来控制每个神经元振子兴奋性单元和抑制性单元的脉冲发放变化 率，而传统方法则往往使用相同的系数。第二，为了保证神经元振子产生振荡，就需要确定这一微分方程组中各参数之间 的取值约束以保证微分方程组的解存在周期性，确定的方法就是根据外部刺激的取值范围 在这一微分方程组所对的相平面上划出指定区域，各参数的取值范围要保证这一区域中一 定会出现失稳平衡点，根据环域定理，此时微分方程组的解存在周期性。从微分方程的运动 特性上讲，解存在周期性就意味着极限环的出现。每个极限环具有固定的振荡频率和振幅， 那些在振荡过程中具有这一频率和振幅的神经元振子就会运动到这一极限环上，即使这些 振子是从相平面上的不同位置开始运动的。第三，在前两步的基础上还要进一步实现同步振荡，也就是要改变同一个极限环 上各个振子之间的相位差距，使得一个极限环上原本运动步调相对凌乱的各个振子形成比 较规整的几簇振子，每一簇中的所有振子具有基本相同的相位，此时综合上文可知这一簇 中的所有振子具有相同的振荡频率、振幅和相位，从图像意义上来说，这一簇中的所有振子 就对应视觉图像上的一个目标区域。不过在神经元振子网络振荡层还无法在同步振荡后准 确获得上述的每一簇振子，还需要本系统的后续层提供的去同步操作来获得。同步振荡需 要利用相邻振子之间的耦合关系，在给定的耦合强度判别准则条件下，同一个极限环上那 些耦合关系强的振子的振荡就会趋于同步。本专利技术将相邻振子兴奋性单元进行耦合并且将 抑制性单元进行耦合，同时采用不同的参数调节这两种耦合的作用强度，而传统方法往往 采用相同的参数。建立目标之间分离层，通过执行去同步操作获得具有相同周期、振幅、相位的每组 神经元振子，每组神经元振子对应视觉图像中的一个目标区域。去同步机制的主要方法就 是首先通过拟合每个振子兴奋性单元同步振荡之后的振荡波形从而得到该波的频率、幅 度和相位。然后利用这三个数值对所有振子进行分类(先要设定好分类阈值)，这一步采用 层次分类器思想，依次使用频率、幅度和相位这三种数值，前一个分类器的输出是后一个分 类器的输入。振荡结果中有时会出现区分程度很小的几簇波，这时单纯依靠频率、幅度和相 位已不能很好的区分，因此本专利技术最后还融入了振子所对像素的位置信息，具体采取的策 略就是即使两个振子的振荡波形在频率、幅度和相位数值上差别很小，但如果这二者所对 应像素在图像上不对应同一个连通区域，那么这两个振子就不会被认为对应同一个目标区 域。本专利技术采用的去同步方法紧密结合同步振荡结果，更加简单实用。本专利技术与现有技术相比，具有以下明显的优势和有益效果本专利技术就神经元振子网络中振子产生振荡的条件给出了明确的解析结果，通过数 值模拟验证了所给结论的可行性和有效性，避免了盲目的调试模型参数。附图说明图1为单一神经元振子示意图2为一维链式耦合的神经元振子示意图；图3为本专利技术分割方法流程示意图；图4为输入图像示意图；图5为极限环示意图；图6为只振荡的兴奋性单元随时间振荡图；图7为振荡后产生同步振荡的兴奋性单元随时间振荡图；图8为本专利技术中方法对图4的分割结果图。具体实施例方式具体实施方式主要包含三个部分构建系统、确定实施步骤、配置参数。以下结合 说明书附图，对本专利技术的实施例进行说明1、构建系统这是指建立视觉图像输入层，神经元振子网络振荡层，目标区域分离层。这一步独 立于具体的测试用例，主要是根据理论分析结果建立动力学系统，使其能够接收图像作为 输入，并能够使系统中的神经元振子产生振荡，进而产生同步振荡，最后将同步振荡的结果 经去同步处理以图像的形式输出。视觉图像输入层负责将视觉图像输入到神经网络中，该神经网络位于神经元振 子网络振荡层上。这一神经网络具有二维网格结构，其上的每一个神经元振子与视觉图像 的每一个像素一一对应。一个神经元振子将与之对应像素点的取值视为外部刺激。神经元振子网络振荡层负责通过模拟人脑皮层中功能柱的原理，使得神经网络 中的神经元振子在适当外部刺激下产生振荡，然后在本文档来自技高网...

【技术保护点】
一种基于局部耦合神经振子网络的简单灰度图像分割方法，其特征在于包括以下步骤：建立视觉图像输入层，建立神经元振子网络振荡层，建立目标之间分离层；所述的建立视觉图像输入层，将灰度图像归一化，并认为灰度值小于阈值的像素对应的是图像的背景，在振荡过程中背景区域对应的神经元振子保持沉默状态，然后将视觉图像输入到神经元振子网络振荡层上的神经网络中，图像中的像素点与神经网络上的神经元振子存在一一对应关系；所述的建立神经元振子网络振荡层，将这一层上神经网络中的每个振子建立动力学系统模型：ｄｘ↓［ｉ］／ｄｔ＝－ｒ↓［１］ｘ↓［ｉ］＋ｒ↓［１］Ｈ（ａｘ↓［ｉ］－ｃｙ↓［ｉ］＋Ｉ↓［ｉ］－φ↓［ｘ］）＋αΔｘ↓［ｉ］ｄｙ↓［ｉ］／ｄｔ＝－ｒ↓［２］ｙ↓［ｉ］＋ｒ↓［２］Ｈ（ｂｘ↓［ｉ］－ｄｙ↓［ｉ］－φ↓［ｙ］）＋βΔｙ↓［ｉ］（１）用４阶经典龙格－库塔法对（１）式求解，记录求解结果ｘ↓［ｉ］（ｔ）、ｙ↓［ｉ］（ｔ），求解结果表现为每个振子的兴奋性单元、抑制性单元随时间振荡的曲线；所述的建立目标之间分离层，根据每个振子的兴奋性单元、抑制性单元随时间振荡的曲线，采用最小二乘法将曲线拟合为Ｆｏｕｒｉｅｒ曲线，并求出拟合后曲线频率、距离水平轴的平均距离、相位三个特征值；首先按照频率对所有像素进行分类，分类结束后检查每一类对应的图像区域是否是连通的，如果不是连通的将继续依距离水平轴的平均距离、相位的次序进行分类，并在每一次分类结束后检查每一类对应的图像区域是否为连通状态。...

【技术特征摘要】
一种基于局部耦合神经振子网络的简单灰度图像分割方法，其特征在于包括以下步骤建立视觉图像输入层，建立神经元振子网络振荡层，建立目标之间分离层；所述的建立视觉图像输入层，将灰度图像归一化，并认为灰度值小于阈值的像素对应的是图像的背景，在振荡过程中背景区域对应的神经元振子保持沉默状态，然后将视觉图像输入到神经元振子网络振荡层上的神经网络中，图像中的像素点与神经网络上的神经元振子存在一一对应关系；所述的建立神经元振子网络振荡层，将这一层上神经网络中的每个振子建立动力学系统模型 <mrow><mfrac> <msub><mi>dx</mi><mi>i</mi> </msub> <mi>dt</mi></mfrac><mo>=</mo><mo>-</mo><msub> <mi>r</mi> <mn>1</mn></msub><msub> <mi>x</mi> <mi>i</mi></msub><mo>+</mo><msub> <mi>r</mi> <mn>1</mn></msub><mi>H</mi><mrow> <mo>(</mo> <msub><mi>ax</mi><mi>i</mi> </msub> <mo>-</mo> <msub><mi>cy</mi><mi>i</mi> </msub> <mo>+</mo> <msub><mi>I</mi><mi>i</mi> </msub> <mo>-</mo> <msub><mi>&phi;</mi><mi>x</mi> </msub> <mo>)</mo></mrow><mo>+</mo><mi>&alpha;&Delta;</mi><msub> <mi>x</mi> <mi>i</mi></msub> </mrow> <mrow><mfrac> <msub><mi>dy</mi><mi>i</mi> </msub> <mi>dt</mi></mfrac><mo>=</mo><mo>-</mo><msub> <mi>r</mi> <mn>2</mn></msub><msub> <mi>y</mi> <mi>i</mi></msub><mo>+</mo><msub> <mi>r</mi> <mn&g...

【专利技术属性】
技术研发人员：乔元华，段立娟，孟永，房法明，吴春鹏，苗军，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：11[中国|北京]