当前位置: 论文助手 > 免费资料 > 论文报告 > >

基于脉冲耦合神经网络的图像滤波[论文报告]

资料分类论文报告 责任编辑:论文小助手更新时间:09-02
提示:本资料为网络收集免费论文,存在不完整性。建议下载本站其它完整的收费论文。使用可通过查重系统的论文,才是您毕业的保障。

 一、课题综述及研究意义

图像在生成和传输的过程中难免会受到噪声的污染,使得图像的质量受到损害,这不仅不符合人们的视觉效果,并且对图像的后续处理是很不利的。因此,在图像的预处理阶段中,有必要对图像进行去噪,以提高图像的信噪比。数学形态学是一门建立在严格数学理论基础上的学科,其基本思想和方法对图像处理的理论和技术产生了重大影响,为形态学用于图像分析和处理,形态滤波器的特性分析和系统设计奠定了基础。PCNN是于20世纪90年代开始提出的一种基于猫的视觉原理构建的简化神经网络模型, PCNN不需要学习或者训练,能从复杂背景下提取有效信息,具有同步脉冲发放和全局耦合等特性,其信号形式和处理机制更符合人类视觉神经系统的生理学基础。

改善给定的图像,解决实际图像由于噪声干扰而导致图像质量下降的问题。通过图像去噪技术可以有效地提高图像质量,增大信噪比,更好的体现原来图像所携带的信息。

图像去噪方法的研究具有广泛而深远的意义。体现在实际生活应用上,譬如说,由于不同的成像机理,得到的初始图像中含有不同性质的噪声,这些噪声的存在影响着人们对图像的观察,干扰人们对图像信息的理解。噪声严重的时候,图像几乎产生变形,使得图像失去了存储信息的本质意义。显然,对图像进行去噪处理,是正确识别图像信息的必要保证。

我国数字图像处理技术起步较晚,但在学习国外技术的基础上发展迅速。近些年来,数学形态学和小波变换得到了非常迅速的发展,而且由于其具备良好的时域局部化和多分辨率分析能力,因而在图像处理各领域的实际应用非常广泛。如非线性小波变换阈值法去噪,及基于PCNN和数学形态学的图像去噪。

针对传统去噪方法的不足:传统的滤波器将受污染的图像视为一个整体进行滤波,不能根据噪声分布的特点及图像的纹理细节进行滤波,虽然滤除了噪声,但同时对图像造成了一定程度的破坏。近年来,数学形态学在图像处理方面得到了日益广泛的应用。 数学形态学可以用来解决抑制噪声、特征提取、边缘检测、图像分割、形状识别、纹理分析、图像恢复与重建、图像压缩等图像处理问题。脉冲耦合神经网络(PCNN)是单层神经网络模型,不需要训练就能实现图像分割、图像边缘检测等处理,因此在图像处理中得到广泛的应用,但单一的PCNN不能有效的滤除噪声,同样也需要结合其他理论方法。因此,近年来提出了基于数学形态学和神经网络相互结合的去噪方法应运而生,这种方法也必将成为今后图像去噪的主要发展趋势之一。

二、课题拟采取的研究方法和技术路线

本文先简述了图像滤波在图像处理中的作用,其次提出了基于PCNN模型的滤波算法,并介绍了算法的基本思想和步骤,基于PCNN的特性恢复图像数据局部灰度,亮度相似的像素对应神经元同步脉冲,通过在滤波算法迭代找出和与周围神经元点火时间不一样的,对这些神经元的对应像素灰度再处理,并通过MATLAB仿真实验,得出该算法明显优于传统的中值滤波方法。然后在此算法基础上,本文又对算法的基本模型提出了修改,针对不同点的像素和他相邻像素之间的耦合关系的不同,设置不同的值,并通过实验数据比较,根据信噪比和平均绝对误差得出,改进后的模型处理效果要优于改进前的效果。

三、主要参考文献

[1] Eckhorn R, Reitboeck H J, Arndt M, et al. Feature linking via synchronization among distributed assemblies.simulation of results from cat cortex [J].Neural Comput. 1990,2(3):293-307. 

[2] J.L.Johnson, M.L.Padgett. PCNN models and applications[J].IEEE Trans.on Neural Networks.1999,10(3):480-498.

[3] 马义德,齐春亮. 基于遗传算法的脉冲耦合神经网络自动系统的研究[J].系统仿真学报, 2006,18(3):722-724.

[4] 刘勍,马义德. 一种基于PCNN赋时矩阵的图像去噪新算法[J].电子与信息学报, 2008,30(8):1869-1878. 

[5] 蔡汉添.小波变换域中图像噪声平滑技术[J].光学技术,1998,6:6-9.

[6] 石美红,张军英,张晓滨,等.基于改进型脉冲耦合神经网络的图像二值分割[J].计算机仿真, 2002,19(4):42-46. 

[7] 姜殿龙,赵峙江,张翠翠. 基于简化型 PCNN 的图像混合噪声滤波方法[J].应用科技,2008,35(1):36-39. 

[8] 李慧娜,平源.有效去除图像混合噪声的方法[J].计算机工程与设计,2008,29(13):3536-3541. 

[9] 李永刚,石美红.PCNN的高斯噪声滤波[J].计算机工程与应用,2007,43(1):65-67.

[10] 顾晓东,郭仕德,余道衡.一种基于PCNN 的图像去噪新方法[J].电子与信息学报, 2002, 24(10):1304-1309.

[11] Johnson J L.Pulse-coupled neural networks,Adaptive Comput:Math,Electron, Opt, SPIE[J]. Crit.Rev, 1994(CR55):47-76. 

[12] Windrow B,Hoff ME. Adaptive switching circuits[J].Proceedings of the IEEE, 1976, 64(23):115-162.

[13] 马义德,刘映杰.基于改进模型的PCNN动态行为的实验研究[J].中国生物医学工程学报, 2006, 25(5):137-142. 

[14] 巫影,陈定方,唐小兵.神经网络综述[M],北京:科学出版社,2002.

[15] 石美红,张军英,朱欣娟.基于PCNN的图像高斯噪声滤波的方法[J].计算机应用, 2002, 26(2):1-4. 

[16] 顾晓东,程承旗,余道衡. 结合脉冲耦合神经网络与模糊算法进行四值图像去噪[J].电子与信息学报, 2003, 25(12):1585-1590.

[17] 马义德,史飞.一种基于脉冲耦合神经网络的脉冲噪声滤波器设计[J].生物医学工程杂志, 2004, 21(6):1019-1023. 

[18] 顾晓东,张立明,余道衡.一定条件下PCNN动态行为的分析[J].计算机工程与应用, 2004, 40(19):6-8,103. 

[19] 马义德,绽琨,王兆滨.脉冲耦合神经网络与数字图像处理[M].北京:科学出版社, 2006. 

[20] Hodgkin A L, Huxley A F. A quantitative description of new membrance current and its application to condition and exciation in nerve[J].Physical.1952,117:500-544.

[21] 胡小峰,赵辉.Visual C++/MATLAB 图像处理与识别实用案例精选[M].北京:人民邮电出版社,2004.

[22] 樊洪斌.脉冲耦合神经网络在医学图像处理中的应用研究[D],广西师范大学硕士论文,2009.

[23] 李鸿林.中值滤波技术在图像处理中的应用[J] .信息技术,2004, 28(7):26-52.

[24] 刘忠仁,孙圣和.基于模糊神经网络的脉冲噪声滤波器[J].中国图象图形学报,2001,6(4):343-347.

[25] 马义德,杨森,李廉.一种全方位多角度自适应形态滤波器及其算法[J].通信学报,2004,25(9):86-92. 

[26] 齐春亮.脉冲耦合合神经网络模型参数自动标定算法研究[D].兰州大学硕士学位论文,2006. 

[27] 史飞.脉冲耦合神经网络在图像处理中的应用研究[D].兰州大学硕士学位论文,2003.

 

二、毕业设计(论文)工作实施计划www.eEELw.com

(一)毕业设计(论文)的理论分析与软硬件要求及其应达到的水平与结果

理论分析:

   用于图像滤波的所有PCNN的神经元采用同样的连接方式,每个神经元的输出只有点火和不点火状态。由于被噪声污染的像素点的亮度值与周围像素点的亮度不同,PCNN对噪声点的输出也不同于对周围像素点的输出。具体的来说,当某个神经元点火而周围大多数神经元不点火,说明对应像素点已被噪声污染;当某个神经元不点火而周围大多数神经元点火,说明对应像素点同样被污染了;在其他情况下,说明像素点没有被污染。总而言之,当某个神经元的点火时刻与其周围大多数神经元点火时间不一致时,判断该点受噪声影响。然后对定位的噪声像素进行均值滤波,用3X3领域相邻神经元对应像素的平均值来代替该点像素值。

软硬件要求:

    基于PCNN模型的滤波算法matlab仿真。PCNN的神经元同步点火性质,使的它能够由各神经元的不同点火方式来查找噪声点的具体位置,再针对噪声采取相应的算法来去除,这样不但能够在去噪的同时可以尽量的保持图像细节,还可以获得较好的图像质量。

由于PCNN网络参数难以确定,只能通过手动调节,难以确定最优参数的缺陷,本文在PCNN简化模型的基础上作出了改进。针对不同点的像素和相邻像素之间的耦合关系的不同,改进内部活动项的连接系数。通过实验得出,改进后的模型处理效果要优于改进前的效果。