一種基于Spiking-卷積網(wǎng)絡(luò)模型的圖像邊緣檢測方法
【技術(shù)領(lǐng)域】
[0001] 一種基于Spiking-卷積網(wǎng)絡(luò)模型的圖像邊緣檢測方法，應(yīng)用于圖像預(yù)處理、特征 提取、邊緣檢測，涉及神經(jīng)網(wǎng)絡(luò)，機器學(xué)習(xí)，De印Learning，屬于圖像處理等技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在實際的圖像處理問題中，圖像的邊緣圖作為圖像的一種基本特征，被經(jīng)常應(yīng)用 到較高層次的特征描述、圖像識別、圖像分割、圖像增強以及圖像壓縮等的圖像處理和分析 技術(shù)中，從而可對圖像作進一步的分析和理解。它在圖像識別，圖像分割，圖像增強以及圖 像壓縮等的領(lǐng)域中有較為廣泛的應(yīng)用，也是它們的基礎(chǔ)。
[0003] 圖像邊緣是圖像最基本的特征之一，往往攜帶著一幅圖像的大部分信息。而邊緣 存在于圖像的不規(guī)則結(jié)構(gòu)和不平穩(wěn)現(xiàn)象中，也即存在于信號的奇異點或突變點處，這些點 給出了圖像輪廓的位置，這些輪廓則常常是我們在圖像處理時所需要的非常重要的一些特 征條件，這就需要我們對一幅圖像檢測和提取出它的邊緣圖像。而邊緣檢測算法則是圖像 處理問題中的經(jīng)典技術(shù)難題之一，它的解決對于我們進行高層次的特征描述、識別和理解 等有著重大的影響；又由于邊緣檢測在許多方面都有著非常重要的實用價值，所以人們一 直在致力于研宄和解決如何構(gòu)造出具有良好性質(zhì)及效果好的邊緣檢測算子的問題。在通常 情況下，我們可將信號中的奇異點或突變點認為是圖像中的邊緣點，其附近灰度的變化情 況可從它相鄰象素灰度分布的梯度來反映。
[0004] 邊緣檢測的實質(zhì)是采用某種算法來提取出圖像中對象與背景間的交界線。我們將 邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分 布的梯度來反映，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。經(jīng)典的邊緣檢 測方法，是對原始圖像中像素的某小鄰域來構(gòu)造邊緣檢測算子。
[0005] 被譽為"第三代神經(jīng)網(wǎng)絡(luò)模型"的Spiking神經(jīng)網(wǎng)絡(luò)，是能夠有效模擬生物神經(jīng) 元之間信息隨時間連續(xù)傳遞的動力系統(tǒng)。該模型采用時間編碼方式組織信息，可以模擬真 實生物中的編碼機制，采用脈沖發(fā)放的精確時間進行編碼，比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的脈沖發(fā)放頻 率對信息編碼方式更接近實際生物神經(jīng)系統(tǒng)，無論是處理能力和計算速度都得到了巨大提 升。研宄表明，Spiking神經(jīng)元本身就具備對外部輸入信息的非線性處理能力，相比前兩代 人工神經(jīng)網(wǎng)絡(luò)，Spiking具備更強的計算能力。Spiking神經(jīng)元模型在生物、神經(jīng)等學(xué)科中 有較多的研宄，而在工程領(lǐng)域的應(yīng)用尚處于起步階段。
[0006] DeepLearning是機器學(xué)習(xí)領(lǐng)域中的一個新的研宄熱點，能有效模仿生物大腦空 間層次結(jié)構(gòu)來解釋數(shù)據(jù)處理流程。由于其適應(yīng)大數(shù)據(jù)時代的背景，且成功的應(yīng)用于語義、圖 像等領(lǐng)域，使得沉積多年的卷積神經(jīng)網(wǎng)絡(luò)再次掀起了智能領(lǐng)域新一輪研宄浪潮。作為機器 學(xué)習(xí)的前沿領(lǐng)域，De印Learning模擬了生物神經(jīng)系統(tǒng)不斷迭代抽象的認知和學(xué)習(xí)過程，為 優(yōu)化神經(jīng)計算模型提供了更加合理的神經(jīng)生物學(xué)依據(jù)。但由于卷積神經(jīng)網(wǎng)絡(luò)僅僅模擬生物 神經(jīng)系統(tǒng)的空間層次結(jié)構(gòu)，缺乏對時間特征的解釋，依舊是采用離散化的方式進行處理，所 以尚未從根本上解決時序分析問題，仍存在巨大的改進空間。
[0007] 神經(jīng)網(wǎng)絡(luò)是一種多種學(xué)科交叉的研宄課題，隨著應(yīng)用技術(shù)的不斷深入及應(yīng)用范圍 的不斷擴展，它被用來解決很多傳統(tǒng)科學(xué)解決不了的難題，為人們學(xué)習(xí)世界、發(fā)現(xiàn)未知范 疇、增強現(xiàn)代科學(xué)科研水平、從而以科技帶動生產(chǎn)力、增大人民經(jīng)濟發(fā)展幅度帶來了積極的 影響，已成為科學(xué)領(lǐng)域方向國際公認的尖端前沿課題。對Spiking神經(jīng)網(wǎng)絡(luò)的探索，是推動 神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用的重要環(huán)節(jié)，具有極高的實際工程應(yīng)用價值。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明針對現(xiàn)有技術(shù)的不足之處提供了一種基于Spiking-卷積網(wǎng)絡(luò)模型的圖 像邊緣檢測方法，可以模擬生物神經(jīng)系統(tǒng)的空間層次結(jié)構(gòu)和時間特征的解釋特點，采用 Spiking生物機制進行處理，能夠有效捕獲時空信息，比現(xiàn)有技術(shù)更具仿生性和時空特性， 從而圖像的邊緣可以應(yīng)用于較高層次的特征描述中。
[0009] 為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0010] 一種基于Spiking-卷積網(wǎng)絡(luò)模型的圖像邊緣檢測方法，其特征在于，如下步驟：
[0011] (1)基于視覺分層結(jié)構(gòu)的信息處理連接方式，構(gòu)建有輸入層、Spiking-卷積層和 輸出層的卷積結(jié)構(gòu)的Spiking-卷積網(wǎng)絡(luò)模型；
[0012] (2)將構(gòu)建好的卷積結(jié)構(gòu)的Spiking-卷積網(wǎng)絡(luò)模型，運用拉普拉斯高斯算子 (LOG)和高斯差分算子（D0G)分別作為Spiking-卷積層的濾波器，形成基于算子的 Spiking-卷積算法；
[0013] (3)獲取圖像，將圖像灰度值像素編碼為Spiking神經(jīng)元，作為Spiking-卷積網(wǎng) 絡(luò)模型的輸入層；
[0014] (4)將基于算子的Spiking-卷積算法運用于Spiking-卷積網(wǎng)絡(luò)模型，對輸入層 采取脈沖卷積，然后再根據(jù)Spiking閾值點火模型，重構(gòu)輸出圖像的邊緣。
[0015] 進一步，所述步驟（1)中，構(gòu)建有輸入層、Spiking-卷積層和輸出層的卷積結(jié)構(gòu)的 Spiking-卷積網(wǎng)絡(luò)模型的具體步驟如下：
[0016] (11)建立一個"輸入層_Spiking-卷積層-輸出層"模式的3層Spiking-卷積 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
[0017] (12)根據(jù)Spiking-卷積網(wǎng)絡(luò)結(jié)構(gòu)和二維圖像的數(shù)據(jù)特征，設(shè)定一個和預(yù)處理圖 像相同維度的二維矩陣，并使得每個像素點--映射到Spiking-卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的 輸入層；
[0018] (13)在Spiking-卷積網(wǎng)絡(luò)結(jié)構(gòu)中，模擬生物的視覺系統(tǒng)，仿真感受野的功能，即 將Spiking-卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸入層到Spiking-卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的Spiking-卷積層的連接方式降低為分區(qū)域連接，得到了Spiking神經(jīng)脈沖的卷積稀疏連接方式；
[0019] (14)得到了Spiking神經(jīng)脈沖的卷積稀疏連接方式后，再對Spiking-卷積神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)中Spiking-卷積層的每個感受野采用權(quán)值共享，在所有感受野上采用的權(quán)值都 是相同的，即每一個Spiking-卷積層的濾波器可重復(fù)地作用于每個區(qū)域中，對輸入信號 進行卷積的結(jié)果構(gòu)成了輸入信號特征，從而提取出信號的局部特征，每一個Spiking-卷 積層的濾波器都是相同的，即共享相同的參數(shù)，包括相同的權(quán)值矩陣和偏置項，最終產(chǎn)生 Spiking-卷積網(wǎng)絡(luò)模型。
[0020] 進一步，所述步驟（2)中，運用拉普拉斯高斯算子（LOG)和高斯差分算子（D0G)分 別作為Spiking-卷積層的濾波器，形成基于算子的Spiking-卷積算法的具體步驟如下：
[0021] (21)根據(jù)拉普拉斯高斯算子（LOG)函數(shù)，將拉普拉斯高斯算子（LOG)函數(shù)形式轉(zhuǎn) 化為與卷積核大小相同的梯度模板，并且具有拉普拉斯高斯濾波器的同等效應(yīng)；
[0022] (22)根據(jù)高斯差分算子（D0G)函數(shù)，將高斯差分算子（D0G)函數(shù)形式轉(zhuǎn)化為與卷 積核大小相同的梯度模板，并且具有高斯差分濾波器的同等效應(yīng)；
[0023] (23)將步驟（21)和步驟（22)中的梯度模板，作為Spiking-卷積網(wǎng)絡(luò)模型中的卷 積核，以相同的模板重復(fù)作用于每個感受野區(qū)域，形成基于算子的Spiking-卷積算法。
[0024] 進一步，所述步驟（21)中，根據(jù)拉普拉斯高斯算子（LOG)函數(shù)，將拉普拉斯高斯算 子（LOG)函數(shù)形式轉(zhuǎn)化為與卷積核大小相同的梯度模板，并且具有拉普拉斯高斯濾波器的 同等效應(yīng)的具體步驟為：
[0025] (211)先用高斯函數(shù)對圖像進行平滑濾波；
[0026] (212)將進行平滑濾波后的圖像進行Laplace運算；
[0027] (213)將進行Laplace運算后等于零的點作為邊緣點。
[0028] 進一步，所述步驟（3)中，將圖像灰度值像素編碼為Spiking神經(jīng)元，作為 Spiking-卷積網(wǎng)絡(luò)模型的輸入層的具體步驟如下：
[0029] (31)將輸入圖像的像素點，進行圖像灰度化處理，像素值范圍限定在[0, 255]區(qū) 間內(nèi)；
[0030] (32)對圖像的每個灰度值進行Spiking延時編碼操作，采用T= [0, 255]的時間 窗口，采用公式tj=T-cXxj，T表示時間窗口，c表示時間常數(shù)，Xj表示輸入原圖像灰度值， tj表示編碼后的點火時間，由灰度值求出具體Spikin