本科畢業(yè)設(shè)計(jì)論文題目基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像處理算法研究 專業(yè)名稱 自動(dòng)化學(xué)生姓名指導(dǎo)教師畢業(yè)時(shí)間畢業(yè)任務(wù)書基于脈沖劓合神經(jīng)網(wǎng)絡(luò)的圖像處理算法研宄、指導(dǎo)思想和目的要求1掌握脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)于圖像濾波的算法、2、熟悉MATLAB平臺(tái)3、4、掌握?qǐng)D像處理的流程與仿真方法；掌握科研工作的一般思路和方法，培養(yǎng)獨(dú)立的科研能力。、主要技術(shù)指標(biāo)1給圖片加入高斯噪聲：2、通過(guò)多種算法完成對(duì)高斯噪聲的濾波；3、還原圖片的原貌即無(wú)噪聲的情況。四、進(jìn)度和要求2一3周：翻譯英文資料：4一8，周：學(xué)習(xí)脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像處理算法，熟悉MATLAB編程；；9—11周：基于脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行濾波處理的技術(shù)研究；12一巧周：撰寫畢業(yè)論文：五、主要參考書及參考資料高雋，人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例，機(jī)械工業(yè)出版社，2003年；2、3、4、6、六鄭君里，楊行峻，人工神經(jīng)網(wǎng)絡(luò)，高等教育出版社，19年；焦李成冖神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論，西安電子科技大學(xué)出版社，1990年；韓力群人工神經(jīng)網(wǎng)絡(luò)理論設(shè)計(jì)及應(yīng)用，化學(xué)工業(yè)出版社，2007年；馬義德等，脈沖耦合神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用，科學(xué)出版社2005年。王潤(rùn)生圖像理解M]，長(zhǎng)沙：國(guó)防科技大學(xué)出版社，]9五貊一了。董繼揚(yáng)·基于脈沖劓合神經(jīng)網(wǎng)絡(luò)的灰度圖像邊緣提?。?jì)算機(jī)應(yīng)用．2003，23《9〕50一5乙 學(xué)生雷瀟 指導(dǎo)教師王紅梅 系主任目錄ABSTRACT第1章緒論]]研宄的目的和意義]2衛(wèi)C皿在國(guó)內(nèi)外的研宄現(xiàn)狀]3本文的章節(jié)安排．第．第2章脈沖耦合神經(jīng)網(wǎng)絡(luò)5CNN26本章小結(jié)第3第3章基于PCNN的圖像高斯噪聲濾除化3基于的34仿真及實(shí)驗(yàn)2基于簡(jiǎn)335本章小結(jié)．第四章總結(jié)與討論．2]畢業(yè)設(shè)計(jì)小結(jié)42課題展望一.30參考文獻(xiàn)“．31摘要脈沖耦合神經(jīng)網(wǎng)絡(luò)（pu廄一c“pledNeuralNetwork,簡(jiǎn)稱PCNN〕是基于對(duì)貓的視覺(jué)皮層神經(jīng)元脈沖串同步振蕩現(xiàn)象的研宄發(fā)展而來(lái)的神經(jīng)網(wǎng)絡(luò)模型，被稱為第三代人工神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型相比較，因其具有動(dòng)態(tài)神經(jīng)元、時(shí)空總和特性，波的自動(dòng)傳播、同步脈沖發(fā)放等特性而備受關(guān)注。的工作原理和其在圖像處理、雷達(dá)聲納、電子行業(yè)、醫(yī)藥衛(wèi)生、語(yǔ)音信號(hào)處理等領(lǐng)域的應(yīng)用在國(guó)內(nèi)外受到廣泛重視。近年來(lái)，國(guó)內(nèi)對(duì)的研究發(fā)展也非常重視。、本文的主要工作有：(1)深入分析了PCNN的工作機(jī)理和運(yùn)行行為，并對(duì)其特性和應(yīng)用領(lǐng)域進(jìn)行詳細(xì)介紹：（2）介紹了高斯噪聲的特點(diǎn)；0）基于PC'NN網(wǎng)絡(luò)對(duì)圖像的高斯噪聲進(jìn)行濾除；（4）分別采用均值算法、中值算法與基于PCNN的算法相比，實(shí)驗(yàn)結(jié)果表明采用基于N醬的算法得到的圖像效果好，處理結(jié)果輪廓清晰并且細(xì)節(jié)保留較完整，在實(shí)際應(yīng)用中有一定的優(yōu)越性。最后總結(jié)了本文的實(shí)驗(yàn)成果，同時(shí)研宄中出現(xiàn)的不足和問(wèn)題有待日后解決。關(guān)腱詞：脈沖耦合神經(jīng)網(wǎng)絡(luò)，圖像噪聲，濾除高斯噪聲ABSTRACTPulse-CoupledNeuralNetwork(SimplifiedasPCNN)isamodelbuiltthroughthesimulationoftheoutburstsofsynchronouspulsesinthevisuallayerofacat'scerebra.Itiscalledthethirdgenerationaltificlalneuralnetwork.MuchattentionhasbeenpaidtothemechanismofPC'NNanditsapplications.Moreandmoreresearchershavealsopaidattentiontoitathome.msthesisdoessomemechanismandbehaviorofPCNNareanalyzed,andthePCNNisappliedtoimageprocessing,radar,sonar,biomedicine,signalprocessingandsoon.(2)IntroducethecharactelisticofGaussiannoise.(3)Eliminateimagenoise(Gaussiannoise)basedonPCNN.(4)Usemeansalgorithm,medianalgolithmrespectively,andcomparewiththealgorithmbaseonPCNN,theresultsofexperimentsindicatesthatmeansalgolithmhasseveraladvantages,suchasclearprofileandabundantdetails.Finally,wesummanzethedoneworks,andlistsomedisadvantagesandunsolvedproblems.KEYWORDS:Pulse-CoupledNeuralNetwork,imagenoise,eliminateGaussiannoise-2第1章緒論1．1研究的目的和意義人工神經(jīng)網(wǎng)絡(luò)是近幾十年新興的一門學(xué)科。它涉及到神經(jīng)生理學(xué)、電子學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)等多門學(xué)科，己經(jīng)被廣泛的應(yīng)用于人工智能、信息處理、模式識(shí)別，自動(dòng)控制等諸多領(lǐng)域卩]。人工神經(jīng)網(wǎng)絡(luò)由許許多多的神經(jīng)元按照一定的結(jié)構(gòu)組成，人工神經(jīng)網(wǎng)絡(luò)中神經(jīng)元并行分布的運(yùn)算的原理、快捷的學(xué)習(xí)算法、有效的認(rèn)知系統(tǒng)引起了廣大學(xué)者的高度重視和廣泛研宄卩楔時(shí)至今日，對(duì)人工神經(jīng)網(wǎng)絡(luò)的研宄己經(jīng)取得了很多的進(jìn)展，研究人員先后提出了很多種人工神經(jīng)網(wǎng)絡(luò)模型，虹BP網(wǎng)絡(luò)模型（前饋網(wǎng)絡(luò)〕[習(xí)、Hopfiele網(wǎng)絡(luò)〔一種全聯(lián)結(jié)反饋網(wǎng)絡(luò)）卩]、M-p網(wǎng)絡(luò)模型[1〕、CNN網(wǎng)絡(luò)模型到、PCNN網(wǎng)絡(luò)模型0司等．N醬網(wǎng)絡(luò)是近年來(lái)提出的一種新型的人工神經(jīng)網(wǎng)絡(luò)，它不同于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，屬于第三代神經(jīng)網(wǎng)絡(luò)。它是通過(guò)模擬動(dòng)物的大腦視神經(jīng)皮層中同步脈沖發(fā)放行為而建立起來(lái)的一個(gè)模型，模型由若干個(gè)神經(jīng)元互連構(gòu)成反饋型網(wǎng)絡(luò)。在PCNN中，具有相似輸入的神經(jīng)元同時(shí)發(fā)放脈沖，能夠彌補(bǔ)輸入數(shù)據(jù)的空間不連貫和幅度上的微小變化，從而較完整的保留圖像的區(qū)域信息，目前它己被成功的用于圖像平滑、圖像分割、目標(biāo)識(shí)別、特征提取等方面。這就使得PCNN具有較高的研宄價(jià)值和更為廣闊的應(yīng)用前景[2]。由此可見(jiàn)，本課題的研宄具有許多優(yōu)點(diǎn)，在圖像處理方面更有優(yōu)勢(shì)，通過(guò)對(duì)PC'NN進(jìn)行適當(dāng)?shù)暮?jiǎn)化和改進(jìn)，可以吏好地進(jìn)行相應(yīng)的圖像處理。此外，在其基礎(chǔ)上的圖像濾波具有很重要的實(shí)際使用價(jià)值。通過(guò)基于PC'NN的算法、中值算注、均值算法對(duì)受高斯噪聲污染的圖像進(jìn)行濾波處理，通過(guò)其峰值信噪比（信噪比高的，濾波效果好）來(lái)確定哪種算法的濾波效果更好。通過(guò)比較，分析每種算注的優(yōu)缺點(diǎn)及導(dǎo)致其優(yōu)缺點(diǎn)的原因：1．2PCNN在國(guó)內(nèi)外的研究現(xiàn)狀20世紀(jì)90年代產(chǎn)生的脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）模型，直接來(lái)自于Eckhorn等對(duì)貓的視覺(jué)皮層神經(jīng)細(xì)胞研宄，是模擬視覺(jué)神經(jīng)細(xì)胞活動(dòng)而得到的人工神經(jīng)元模型：所以其算法直接源自于哺乳動(dòng)物的視覺(jué)特性研究，相比于BP等傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型，PCNN模型同時(shí)利用了襯經(jīng)元特有的線性相，非線性相乘調(diào)制耦合兩種特性。PCNN模型還考慮了生物電脈沖傳輸離子通道特性：考慮了哺乳視神經(jīng)系統(tǒng)視野受到適當(dāng)刺激時(shí)，相鄰連接神經(jīng)元（甚至在貓視覺(jué)皮層相鄰7mm范圍內(nèi)）同步激發(fā)產(chǎn)生35、70Hz振蕩脈沖串特性；還有內(nèi)部活動(dòng)項(xiàng)中偏置一項(xiàng)實(shí)為神經(jīng)元處于抑制狀態(tài)時(shí)，內(nèi)部活動(dòng)平衡態(tài)的一種等效表示。PC'NN為單層模型神經(jīng)網(wǎng)絡(luò)，不需要訓(xùn)練過(guò)程即可實(shí)現(xiàn)模式識(shí)別、圖像分割、目標(biāo)分類等，因此非常適應(yīng)實(shí)時(shí)圖像處理環(huán)境：同時(shí)，PC'NN在處理圖像的同時(shí)將二維空間變量轉(zhuǎn)化為一維時(shí)間脈沖序列。這樣PCNN模型向生物實(shí)際神經(jīng)網(wǎng)絡(luò)更靠近了一步，當(dāng)然它對(duì)輸入信息處理能力更強(qiáng)、性能更好，這就是直到今天其應(yīng)用研究還在逐步深入的原因[2]。盡管PCNN模型神經(jīng)元模型較傳統(tǒng)BP網(wǎng)絡(luò)燈人工神經(jīng)元模型前進(jìn)了一步，但距實(shí)際生物神經(jīng)網(wǎng)絡(luò)還有很長(zhǎng)一段距離，因?yàn)槟Ｐ托枰_定較多的參數(shù)．截至目前，其理論發(fā)展依然存在不足，主要表現(xiàn)在圖像處理效果和模型參數(shù)之間的關(guān)系并不清晰，這是國(guó)內(nèi)外學(xué)者積極關(guān)注的熱點(diǎn)[習(xí)。傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用了生物神經(jīng)元有限屬性：但實(shí)際上生物神經(jīng)系統(tǒng)的研究發(fā)現(xiàn)，襯經(jīng)元除了前面所屬的工作于興奮與抑制兩種狀態(tài)一一超過(guò)神經(jīng)元細(xì)胞膜靜止電位閾值點(diǎn)就處于興奮狀態(tài)，否則處于抑制狀態(tài)；還具有多輸入單輸出的特點(diǎn)，神經(jīng)元胞體上各種樹(shù)突的突觸后膜接受周圍與之相連的神經(jīng)元軸突的突出前電脈沖信息，并在空間和時(shí)間上按疊加方式作用經(jīng)過(guò)內(nèi)部復(fù)雜的求和處理后山本神經(jīng)元的軸突傳送到其他神經(jīng)元：另外，突觸部分的連接強(qiáng)度可以調(diào)節(jié)，其輸入和輸出之間還具有明顯的非線性效應(yīng)：所有神經(jīng)元樹(shù)突上突觸后的輸人并不是簡(jiǎn)單的以求和方式影響本神經(jīng)元的脈沖發(fā)放，而具有非線性相乘的調(diào)制耦合特性，這些非線性特性都在生物神經(jīng)系統(tǒng)試驗(yàn)研亢中得到了進(jìn)一步驗(yàn)證，是一種普遍存在的現(xiàn)象[31．3本文的章節(jié)安排將生物視覺(jué)特性應(yīng)用在圖像信息處理領(lǐng)域可以更好的利用視覺(jué)生物學(xué)方面的成果，PCNN研究成果證明它具有傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)以及傳統(tǒng)的一些研究和處理圖像的方法不可比擬的優(yōu)越性。本文是在以前生物學(xué)和神經(jīng)科學(xué)研究成果的基礎(chǔ)上，結(jié)合國(guó)內(nèi)外學(xué)者研究PCNN所得的結(jié)論，基于簡(jiǎn)化型PCNN模型，優(yōu)化模型的參數(shù)，并將其應(yīng)用于圖像高斯噪聲的濾波。其主要安排如下．第1章為緒論，介紹了脈沖耦合神經(jīng)網(wǎng)絡(luò)的概念，研究范圍，應(yīng)用領(lǐng)域，在國(guó)內(nèi)外的發(fā)展?fàn)顩r以及研究它的目的和意義；第2章為脈沖耦合神經(jīng)網(wǎng)絡(luò)，介紹了脈沖耦合神經(jīng)網(wǎng)絡(luò)的基本模型，基本特性，并對(duì)其基本工作原理作了分析；第3章為基于PCNN的圖像高斯噪聲濾除，基于傳統(tǒng)協(xié)同性PC'NN、神經(jīng)網(wǎng)絡(luò)模型對(duì)圖像的高斯噪聲進(jìn)行濾除，濾除效果較其它算法效果好。通過(guò)多種算法和參數(shù)選取得到最佳實(shí)驗(yàn)結(jié)果；第4章，對(duì)本文的工作進(jìn)行總結(jié)，并指出不足和需要進(jìn)一步改進(jìn)的地方：第2章脈沖耦合神經(jīng)網(wǎng)絡(luò)脈沖耦合神經(jīng)網(wǎng)絡(luò)被稱為第三代人工神經(jīng)網(wǎng)絡(luò)，是一種與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)不同的新型神經(jīng)網(wǎng)絡(luò)模型。20世紀(jì)90年代，Ec鹽orn等從對(duì)貓的視覺(jué)皮層神經(jīng)元脈沖串同步振蕩現(xiàn)象的研究中得到了哺乳動(dòng)物神經(jīng)元模型，進(jìn)一步發(fā)展成為脈沖耦合神經(jīng)網(wǎng)絡(luò)@11艸CoupledN艸alNetwork,簡(jiǎn)稱PCNN)O脈沖耦合神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型相比較，因其具有動(dòng)態(tài)神經(jīng)元、時(shí)空總和特性、波的自動(dòng)傳播、同步脈沖發(fā)放等特性而備受關(guān)注，正是由于這些特性，使得脈沖耦合神經(jīng)網(wǎng)絡(luò)的研宄較傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)向前跨進(jìn)一步。目前，脈沖耦合、神經(jīng)網(wǎng)絡(luò)主要應(yīng)用到圖像處理、圖像識(shí)別、通訊、人工生命等領(lǐng)域：用脈沖耦合神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像處理時(shí)，PCNN是單層神經(jīng)網(wǎng)絡(luò)模型，不需要訓(xùn)練就能實(shí)現(xiàn)圖像分割、圖像邊緣檢測(cè)等處理，應(yīng)用到實(shí)時(shí)圖像處理中非常合適。21脈沖耦合神經(jīng)網(wǎng)絡(luò)的基本模型PCNN模型是由若干個(gè)PCNN神經(jīng)元相互連接所構(gòu)成的反饋型網(wǎng)絡(luò)，每一個(gè)神經(jīng)元由三個(gè)部分組成：輸入部分，鏈接器和脈沖產(chǎn)生器，如圖21所示來(lái)來(lái)自其它神經(jīng)元的連接輸入Yk來(lái)自其它神經(jīng)元的連接渝人圖21是以神經(jīng)元（0）為伽來(lái)說(shuō)明脈沖耦合襯經(jīng)網(wǎng)絡(luò)中神經(jīng)元的組成的代表襯經(jīng)元伍《》的外部刺激輸入，代表神經(jīng)元@j〕的輸出，U刂代表神經(jīng)元（i，j）的內(nèi)部活動(dòng)項(xiàng)：輸入部分有兩大部分組成，分別為反饋通道輸人F刂和線性鏈接輸人巪，反饋通道輸入還接收來(lái)自神經(jīng)元以外的刺激14。F町是以時(shí)司常數(shù)對(duì)神經(jīng)元（i，j）某鄰域內(nèi)的其它神經(jīng)元輸出進(jìn)行漏電容積分的加權(quán)和的結(jié)果LI是以時(shí)間常數(shù)對(duì)神經(jīng)元j）某鄰域內(nèi)的其它神經(jīng)元輸出進(jìn)行漏電容積分進(jìn)行加權(quán)得到的，氣相對(duì)較小，相對(duì)大一些，內(nèi)部活動(dòng)項(xiàng)U是由鏈接器以乘積耦合形式U蚓：F！〕0+0構(gòu)成的，是神經(jīng)元突觸之間的連接強(qiáng)度系數(shù)：脈沖產(chǎn)生器由對(duì)網(wǎng)絡(luò)輸出進(jìn)行漏電容積分的變閾值特性（起激活該神經(jīng)元的作用）和硬限幅函數(shù)（起抑制該神經(jīng)元的作用）組成，從而在神經(jīng)元輸出產(chǎn)生脈沖信號(hào)。如果內(nèi)部活動(dòng)項(xiàng)U刂的大小超過(guò)其激發(fā)動(dòng)態(tài)門限，則產(chǎn)生脈沖，否則，不能產(chǎn)生脈沖。動(dòng)態(tài)門限的值與神經(jīng)元輸出狀態(tài)相關(guān)，當(dāng)神經(jīng)元有脈沖輸出時(shí)，激發(fā)動(dòng)態(tài)門限值會(huì)急劇增大，門限的增大保證了該神經(jīng)元不會(huì)立刻產(chǎn)生第二次脈沖輸出，不產(chǎn)生脈沖輸出又導(dǎo)致門限開(kāi)始按照指數(shù)規(guī)律衰減，當(dāng)門限值降到低于內(nèi)部活動(dòng)項(xiàng)U町時(shí)，又開(kāi)始有脈沖輸出，進(jìn)而門限值周而復(fù)始的進(jìn)行上述的變化。脈沖的輸出又作為其它神經(jīng)元的輸入影響著其它神經(jīng)元的輸出CNN的神經(jīng)元（i，J）的離散方程形式為．F,(n))FiJ(n-1)+VFEMIJklYkl(n(2-1)F,(n) )k(n-1)+VLEw?kIY]d(n-1) （2．2）（2．3）(n)-expCAt)0(n-1)+V5V(n)（2．4）1當(dāng)U(n)>q(11-1)時(shí)，地； （n 0．（2．5） o當(dāng)0〕 ）<a,(n-l)時(shí)，取式（2．0中，巪回為神經(jīng)元伍J）的第n次反饋輸入，巪是外部刺激信號(hào)，‰是時(shí)間常數(shù)，是巪（n）的固定電勢(shì)，內(nèi)部連接矩陣M中的M為的@的加權(quán)系數(shù)；式（2．2〕中，巪（n）線性鏈接輸人，是巪（n）的固定電勢(shì)，是時(shí)間常數(shù)，是巪（n）中（n）的加權(quán)系數(shù)；式（2．3）中，U刂（n）為神經(jīng)元內(nèi)部活動(dòng)項(xiàng)；式（2．4）中，（n）為動(dòng)態(tài)的門限函數(shù)，呱為時(shí)間常數(shù)，是（n）的固定電勢(shì)；式（2巧）中，X,(n)為PCNN脈沖輸出，是一個(gè)二值輸出．神經(jīng)元接收巪回和巪（n），隨后內(nèi)部活動(dòng)項(xiàng)U：〕@在神經(jīng)元內(nèi)部形成。Ug(n)與（n）相比較，當(dāng)U刂（n）>（n）時(shí)，Xj(n)取1,稱神經(jīng)元點(diǎn)火；當(dāng)Uj（n）過(guò)吼@時(shí)，Xj(n)取0，稱神經(jīng)元不點(diǎn)火。然而圖21給出的脈沖劓合神經(jīng)網(wǎng)絡(luò)模型在進(jìn)行實(shí)際的圖像處理時(shí)并不是完美無(wú)缺的，主要存在以下缺陷：1.對(duì)網(wǎng)絡(luò)的數(shù)學(xué)分析比較困難，這是由大量非線性和漏電容積分等因素造成的；2·網(wǎng)絡(luò)參數(shù)難于確定，PCNN網(wǎng)絡(luò)模型應(yīng)用效果的好壞直接取決于參數(shù)的設(shè)置，目前對(duì)參數(shù)的設(shè)置沒(méi)有定量的分析，只能通過(guò)大量的實(shí)驗(yàn)分析和比較定性的得出；3．空間鄰近和亮度相似的象素集群模糊。將圖2．1中的神經(jīng)元進(jìn)行簡(jiǎn)化得到圖22中的形式，巪僅僅接收來(lái)自外部的刺激信號(hào)I，，假設(shè)神經(jīng)元伍）的兩個(gè)點(diǎn)火時(shí)刻為ti和u,則該神經(jīng)元的離散方穆形式為：（26）%(n)-VLEYJ,IY]d(n-1) （2．7）（2．8）（2．9）1當(dāng)U.(n)>吼一1）時(shí)，地； X甸 （2．10） 0當(dāng)U(n)<q(11-1)時(shí)，取0從式（2·6）一式（2·10）可以看出，輸人域和連接域的漏電積分器在該簡(jiǎn)化的匹NN神經(jīng)元模型中省略了：式（2．6）中，只把外部刺激1，作為神經(jīng)元的輸入；式（2．7）中，對(duì)鄰域中的神經(jīng)元權(quán)求和，然后作為神經(jīng)元的連接輸入；式（29）中，ti時(shí)刻，神經(jīng)元點(diǎn)火即有脈沖輸出，把VB設(shè)置成脈沖輸出時(shí)的閨值，然后閾亻直按指數(shù)形式衰減，u時(shí)刻時(shí)又有脈沖輸出，閾值又重新被設(shè)置成。該簡(jiǎn)化模型剪掉了很多參數(shù)，大大的減小了參數(shù)優(yōu)化工作量，同時(shí)保持了原有模型的且點(diǎn)重要的特性，包括1)神經(jīng)元的連接特性沒(méi)有改變，內(nèi)部活動(dòng)項(xiàng)相似的神經(jīng)元會(huì)同步發(fā)放脈沖；2）從式（2．8）看到，內(nèi)部活動(dòng)項(xiàng)的組成方式仍與原模型一致；3）神經(jīng)元脈沖產(chǎn)生部分沒(méi)變，閾值函數(shù)的變化也和原模型呆持一致。對(duì)于PCNN的簡(jiǎn)化模型各部分具體情況如下卩]．圖2．2簡(jiǎn)化的一模型(1)接受部分巪@一w,巪@一w,，韌F誣1)表示網(wǎng)絡(luò)中位于（i，j）位置的神經(jīng)元的第n次輸入，表示外部輸人的刺激信號(hào)，通常為所處理圖像的像素矩陣中@J）位置的像素的灰度值，巪@表示的是鏈接輸入，表示鏈接域的加權(quán)值，從上式中可見(jiàn)應(yīng)用簡(jiǎn)化型PCNN處理圖像時(shí)，只是把圖像像素的灰度值作為神經(jīng)元的外部刺激信號(hào)幾輸入到反饋域中而把第（n一1）次鏈接輸入巪（n一1)輸人到連接域中。（2）調(diào)制部分 Uij(n)=巪間（1+（n）） （2．13）U，j@表示內(nèi)部活動(dòng)項(xiàng)，表示連接強(qiáng)度，在模型中先給鏈接輸入加上一個(gè)正偏置，且偏移量歸整為1,再與反饋輸入進(jìn)行相乘調(diào)制，構(gòu)成神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)L%(n)。（3）脈沖產(chǎn)生部分Q,(n)=exp@)Q.(n-1)+V6XJ(n-1)1當(dāng)t.%(n)>%(n-l)時(shí)，山Y(jié)il(n) ，取0、o當(dāng)U<QJ(n-1)時(shí)（2．14）（2．15）上式中，q（n）表示動(dòng)態(tài)閾值，表示q間的幅度系數(shù)，表示間的時(shí)間衰減系數(shù)，（n）表示神經(jīng)元的輸出脈沖值。當(dāng)內(nèi)部活動(dòng)項(xiàng)U刂@大于動(dòng)態(tài)閾我們加大高斯噪聲的方差，比較一下各種算法的濾波效果。此次采用的pcm?l模型參數(shù)分別為：一01，陣：0山VB：256，w一0巧10·5，10于0巧105]衛(wèi)CNN的參數(shù)設(shè)置如下表3．3所示表33PCNN模型參數(shù)設(shè)置采用算氵去衰減系數(shù)預(yù)設(shè)國(guó)值連接系數(shù)乃本文算氵去255圖3羝f)一．為實(shí)驗(yàn)結(jié)果，其中圖（f)為原始圖像，圖回為原始圖像受到一0，。2司1的高斯噪聲污染后的圖像，圖（h）、圖（i）分別為采用均值濾波和中值濾波進(jìn)行平滑處理后的圖像，圖．為濾波處理后的圖像。表34列出了經(jīng)過(guò)各種算氵去濾波后PSNR參數(shù)比較。 圖34C0cameraman原始圖像 圖34@高斯噪聲圖像〔：0，0司l) 冬340〕均值濾波結(jié)果 圖34@中值濾波結(jié)果20圖3的〕濾波結(jié)果表34各種算氵去NR（dB〕參數(shù)比較?Cameraman圖像均濾波值濾波0×3〕中值濾波0×3〕PSNR17939715615211」802增大高斯噪聲的方差，從表中仍然可以得出結(jié)論，PCNN濾波效果最好，這一點(diǎn)和由表32得出的結(jié)論完全一致。說(shuō)明了由于高斯噪聲密度大，所有像素點(diǎn)均受到了不同程度的干擾，因此中值濾波對(duì)方差較小的高斯噪聲的濾波效果較好，但當(dāng)方差增大到一定程度后，中值濾波的效果就不好了；均值濾波對(duì)高斯噪聲的濾波效果不是很好，不論其方差大小：基于本文PCNN的濾波方法對(duì)高斯噪聲的濾除較中值濾波和均值濾波都有很大的改進(jìn)，圖工4（e）顯示PCNN濾波處理后的圖像恢復(fù)的相當(dāng)清晰。為了更加直觀的了解到這幾種算法對(duì)于圖像處理的效果，見(jiàn)曲線圖3．4不同高斯噪聲密度下選擇不同算法的PSNRffi3030H}工N仞立150001o．02030040℃50．060m70．08o．09噪聲密度圖34不同噪聲密度下選擇不同算法的p值3．5本章小結(jié)．本章首先介紹了高斯噪聲的特點(diǎn)，指出了高斯噪聲對(duì)于圖像的影響。然后介紹了基于PC'NN的濾波算法：通過(guò)計(jì)算機(jī)仿真，從實(shí)驗(yàn)結(jié)果比較各種算法的優(yōu)缺點(diǎn)及造成這些優(yōu)缺點(diǎn)的原因。我們還討論了各種參數(shù)設(shè)置對(duì)濾波結(jié)果的影響，并且分析了原因。通過(guò)實(shí)驗(yàn)得到了較好的參數(shù)設(shè)置，這些經(jīng)驗(yàn)有利于圖像處理。28第4章總結(jié)與討論脈沖耦合神經(jīng)網(wǎng)絡(luò)作為一種新型神經(jīng)網(wǎng)絡(luò)，有著深厚的生物學(xué)背景，它是通過(guò)模擬動(dòng)物的大腦視神經(jīng)同步發(fā)放脈沖現(xiàn)象而建立的一種網(wǎng)絡(luò)模型，它與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有著本質(zhì)的區(qū)另脛且它應(yīng)用非常廣泛，應(yīng)用于圖像處理、雷達(dá)聲納、電子行業(yè)，醫(yī)藥衛(wèi)生、語(yǔ)音信號(hào)處理等領(lǐng)域一本文基于簡(jiǎn)化PC'NN模型對(duì)受高斯噪聲污染的圖像進(jìn)行濾波處理。4．1畢業(yè)設(shè)計(jì)小結(jié)本文的研宄課題的主要內(nèi)容可以概括如下．(1)首先介紹了脈沖耦合神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，通過(guò)理解其數(shù)學(xué)模型，達(dá)到對(duì)NN模型的掌握。（2）將圖像加入高斯噪聲，通過(guò)均值濾波、中值濾波與PCNN濾波相比較，得出哪種方法的濾波效果更好。4．2課題展望盡管本文通過(guò)簡(jiǎn)化型PCNN從理論分析和實(shí)驗(yàn)結(jié)果兩個(gè)方面對(duì)受高斯噪聲污染的圖像進(jìn)行濾波處理，與中值濾波，均值濾波相比，效果較好，基本達(dá)到了預(yù)期的目標(biāo)。但是，由于PCNN模型參數(shù)的選擇、判斷神經(jīng)元同步與否的標(biāo)準(zhǔn)以及受干擾像素灰度值的重建算法都不同程度的影響了采用PC'NN作為預(yù)處理的濾波算氵去的最終濾波效果。且由于本人水平有限，且研宄時(shí)間較短，文中還有很多的不足之處需要改進(jìn)和完善，如：對(duì)參數(shù)的確定至今只能是通過(guò)大量的實(shí)驗(yàn)人工手動(dòng)的調(diào)整盡可能得到好的結(jié)果，耗費(fèi)了大量的精力和時(shí)間，又由于研究人員的經(jīng)驗(yàn)和水半的不同，得到的結(jié)果也會(huì)參差不齊。這些都影響了PCNN濾波的效果。致謝時(shí)光如梭，光陰荏苒。在西北工業(yè)大學(xué)明德學(xué)院四年的求學(xué)生活即將結(jié)束，這些年的生活，我將永生雜忘。這篇論文的完成與土紅梅老師的悉心指導(dǎo)是分不開(kāi)的。每個(gè)禮拜土老師都會(huì)按時(shí)指導(dǎo)我，詢問(wèn)我的論文進(jìn)展情況，告訴我有什么弄不懂的地方可以盡管司她，關(guān)于設(shè)計(jì)方面的信息，老師總是在第一時(shí)間通知我，對(duì)我非常關(guān)心，這令我非常感動(dòng)。王老師廣博的學(xué)識(shí)、精益求精的科研態(tài)度，時(shí)時(shí)刻刻鼓勵(lì)著我在學(xué)習(xí)工作中不斷進(jìn)步，針對(duì)我的論文，她提出了許多寶貴意見(jiàn)，使我受益匪淺，在覲論知識(shí)上不斷取得進(jìn)步。論文的順利完成離小開(kāi)王老師在學(xué)習(xí)科研上的精心指導(dǎo)和嚴(yán)格要求，在此，謹(jǐn)向我的輔導(dǎo)老師土紅梅老師表示最誠(chéng)摯的謝意。此外，我還要感謝柳國(guó)星和馮玉蒙同學(xué)，給于我在學(xué)習(xí)上的幫助，正是與他們的探討與溝通才促進(jìn)了我論文的完成。在這里，我還要深深感謝我的父母，他們?cè)谖业那髮W(xué)生涯中，始終支持、鼓勵(lì)著我，沒(méi)有他們我不可能走到今大。當(dāng)我遇到困難和挫折時(shí)，他們教我勇敢而對(duì)，給了我戰(zhàn)勝困難的勇氣，當(dāng)我失敗的時(shí)候，他們總是鼓我，給