即是 圖像的邊緣信息，對[0, 1]數(shù)據(jù)內的像素值，取數(shù)值0. 45作為閾值，將圖像數(shù)字二值化為0 和1，輸出的圖像信息即為邊緣信息，綜上所述，整個Spiking-卷積機制，邊緣檢測過程如 圖11所示。
[0090] 本發(fā)明已經(jīng)通過上述實施例進行了說明，但應當理解的是，上述實施例只是用于 舉例和說明的目的，而非意在將本發(fā)明限制于所描述的實施例范圍內。此外本領域技術人 員可以理解的是，本發(fā)明并不局限于上述實施示例，根據(jù)本發(fā)明的教導還可以做出更多種 的變型和修改，這些變型和修改均落在本發(fā)明所要求保護的范圍以內。本發(fā)明的保護范圍 由附屬的權利要求書及其等效范圍所界定。
【主權項】
1. 一種基于Sp化ing-卷積網(wǎng)絡模型的圖像邊緣檢測方法，其特征在于，如下步驟： (1) 基于視覺分層結構的信息處理連接方式，構建有輸入層、Sp化ing-卷積層和輸出 層的卷積結構的Sp化ing-卷積網(wǎng)絡模型； (2) 將構建好的卷積結構的Sp化ing-卷積網(wǎng)絡模型，運用拉普拉斯高斯算子（LOG)和 高斯差分算子值0G)分別作為Sp化ing-卷積層的濾波器，形成基于算子的Sp化ing-卷積 算法； (3) 獲取圖像，將圖像灰度值像素編碼為Sp化ing神經(jīng)元，作為Sp化ing-卷積網(wǎng)絡模 型的輸入層； (4) 將基于算子的Sp化ing-卷積算法運用于Sp化ing-卷積網(wǎng)絡模型，對輸入層采取 脈沖卷積，然后再根據(jù)Sp化ing闊值點火模型，重構輸出圖像的邊緣。2. 根據(jù)權利要求1所述的一種基于Sp化ing-卷積網(wǎng)絡模型的圖像邊緣檢測方法， 其特征在于，所述步驟（1)中，構建有輸入層、Sp化ing-卷積層和輸出層的卷積結構的 Spiking-卷積網(wǎng)絡模型的具體步驟如下； (11) 建立一個"輸入層-Sp化ing-卷積層-輸出層"模式的3層Sp化ing-卷積神經(jīng) 網(wǎng)絡結構； (12) 根據(jù)Sp化ing-卷積網(wǎng)絡結構和二維圖像的數(shù)據(jù)特征，設定一個和預處理圖像相 同維度的二維矩陣，并使得每個像素點一一映射到Sp化ing-卷積神經(jīng)網(wǎng)絡結構中的輸入 層； (13) 在Sp化ing-卷積網(wǎng)絡結構中，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)絡結構中的輸入層到Sp化ing-卷積神經(jīng)網(wǎng)絡結構中的Sp化ing-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； (14) 得到了Spiking神經(jīng)脈沖的卷積稀疏連接方式后，再對Sp化ing-卷積神經(jīng)網(wǎng)絡 結構中Sp化ing-卷積層的每個感受野采用權值共享，在所有感受野上采用的權值都是相 同的，即每一個Sp化ing-卷積層的濾波器可重復地作用于每個區(qū)域中，對輸入信號進行卷 積的結果構成了輸入信號特征，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)，包括相同的權值矩陣和偏置項，最終產(chǎn)生Sp化ing-卷積網(wǎng)絡模型。3. 根據(jù)權利要求1所述的一種基于Sp化ing-卷積網(wǎng)絡模型的圖像邊緣檢測方法，其 特征在于，所述步驟（2)中，運用拉普拉斯高斯算子（LOG)和高斯差分算子值0G)分別作為 Sp化ing-卷積層的濾波器，形成基于算子的Sp化ing-卷積算法的具體步驟如下； (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； (22) 根據(jù)高斯差分算子值0G)函數(shù)，將高斯差分算子值0G)函數(shù)形式轉化為與卷積核 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； (23) 將步驟（21)和步驟（22)中的梯度模板，作為Sp化ing-卷積網(wǎng)絡模型中的卷積 核，W相同的模板重復作用于每個感受野區(qū)域，形成基于算子的Sp化ing-卷積算法。4. 根據(jù)權利要求3所述的一種基于Sp化ing-卷積網(wǎng)絡模型的圖像邊緣檢測方法，其特 征在于，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 的具體步驟為； (211) 先用高斯函數(shù)對圖像進行平滑濾波； (212) 將進行平滑濾波后的圖像進行Laplace運算； (213) 將進行Laplace運算后等于零的點作為邊緣點。5. 根據(jù)權利要求1所述的一種基于Sp化ing-卷積網(wǎng)絡模型的圖像邊緣檢測方法，其 特征在于，所述步驟（3)中，將圖像灰度值像素編碼為Sp化ing神經(jīng)元，作為Sp化ing-卷積 網(wǎng)絡模型的輸入層的具體步驟如下： (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； (32) 對圖像的每個灰度值進行Sp化ing延時編碼操作，采用T= [0, 25引的時間窗口， 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Sp化ing脈沖點火時間，當輸入圖像灰度刺激越 大，那么其對應Sp化ing神經(jīng)元點火強度越強，表現(xiàn)的脈沖點火時間越早； (33) Sp化ing-卷積網(wǎng)絡模型中的輸入層選擇與圖像維度相同大小的二維矩陣，矩陣中 每個點表示Sp化ing神經(jīng)元，根據(jù)步驟（32)的延時編碼得到的每個Sp化ing神經(jīng)元點火時 間構成其輸入層的輸入Sp化ing時間。6. 根據(jù)權利要求5所述的一種基于Sp化ing-卷積網(wǎng)絡模型的圖像邊緣檢測方法，其 特征在于，所述步驟（4)中將基于算子的Spiking-卷積算法運用于Sp化ing-卷積網(wǎng)絡模 型，對輸入層采取脈沖卷積，然后再根據(jù)Sp化ing闊值點火模型，重構輸出圖像的邊緣的具 體步驟如下： (41) 把基于算子的Sp化ing-卷積算法作用于輸入層的Sp化ing神經(jīng)元，即在輸入層 Spiking神經(jīng)元中，將DOG/LOG濾波器作為Sp化ing-卷積網(wǎng)絡的卷積核，進行Sp化ing-卷 積，其具體卷積公式為；X;是Sp化ing-卷積層的 值，乂/-I是輸入層的值，T是Sp化ing神經(jīng)元編碼方式，k表示網(wǎng)絡第幾層，Kernel為 卷積核，而i，j表示對應的網(wǎng)絡層數(shù)，每個特征圖可W由不同的卷積核產(chǎn)生，而Mj.為 輸入特征圖的一個選擇，每一層有唯一的偏移B，f激活函數(shù)為Sp化ing脈沖電壓函數(shù)eu(t)作為f激活函數(shù)，其中T是 時間常數(shù)，是軸突延遲，-A；p是階梯函數(shù)，是輸入層點火時間，t是時間軸，aX是軸突常數(shù)； (42) Sp化ing-卷積后，隨即產(chǎn)生每個后突觸Sp化ing神經(jīng)元的電壓曲線； (43) 根據(jù)Sp化ing的闊值點火模型SRM，設定闊值，記錄后突觸Sp化ing神經(jīng)元的電壓 曲線到達闊值的精確時間點，從而產(chǎn)生了Spiking后突觸神經(jīng)元的點火時序，其中有種特 殊情況，即是Sp化ing神經(jīng)元在整個時間窗口中，其最大的電壓值并沒有到達闊值時，記錄 其Sp化ing神經(jīng)元的點火時間為0 ; (44) Spiking后突觸神經(jīng)元產(chǎn)生的點火時序，作為Sp化ing-卷積神經(jīng)網(wǎng)絡中的 Sp化ing-卷積層的數(shù)值點； (45) 將步驟（44)通過解碼重構，Spiking后突觸神經(jīng)元的點火時間直接作為圖像灰度 值，并對圖像進行歸一化處理； (46)將圖像進行歸一化處理后，對輸出層圖像進行二值化操作，產(chǎn)生輸出層，即是圖像 的邊緣信息。
【專利摘要】本發(fā)明公開了一種基于Spiking‐卷積網(wǎng)絡模型的圖像邊緣檢測方法，屬于圖像處理技術領域，解決現(xiàn)有技術僅僅模擬生物神經(jīng)系統(tǒng)的空間層次結構，缺乏對時間特征的解釋問題。本發(fā)明基于視覺分層結構的信息處理連接方式，構建有輸入層、Spiking‐卷積層和輸出層的卷積結構的Spiking‐卷積網(wǎng)絡模型；將構建好的卷積結構的Spiking-卷積網(wǎng)絡模型，運用拉普拉斯高斯算子和高斯差分算子分別作為Spiking-卷積層的濾波器，形成基于算子的Spiking‐卷積算法；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)絡模型的輸入層；將基于算子的Spiking‐卷積算法運用于Spiking‐卷積網(wǎng)絡模型，對輸入層采取脈沖卷積，然后再根據(jù)Spiking閾值點火模型，重構輸出圖像的邊緣。本發(fā)明用于圖像預處理、特征提取、邊緣檢測，涉及神經(jīng)網(wǎng)絡，機器學習，Deep Learning。
【IPC分類】G06T7/00
【公開號】CN104933722
【申請?zhí)枴緾N201510369201
【發(fā)明人】屈鴻, 潘婷, 王曉斌, 解修蕊, 劉浩
【申請人】電子科技大學
【公開日】2015年9月23日
【申請日】2015年6月29日