【图像分割】基于脉冲耦合神经网络的图像分割

PCNN在图像融合中应用广泛\ 1、脉冲耦合的神经元之间有有耦合和无耦合两种形式。，有耦合的神经元之间存在能量传播，产生同步脉冲发放，从而将输入相似的神经元在同一时刻点火。\ 3、脉冲神经网络–第三代人工神经网络。\ 4、PCNN是由多个PCNN神经元构成的单层反馈型网络，因此适合实时的图像处理环境，每个神经元由三个部分组成：接受部分、调制部分、脉冲产生部分。\ 5、PCNN神经元的个数和像素的个数相同，它们是一一对应的。且神经元的外部刺激等于图像的灰度值或者归一化之后的灰度值。当β=0时，这时候是没有耦合的。\ 6、PCNN如何工作：\ 一、不存在耦合：\ 1、假设神经元的反馈输入只有外部刺激一项，Sij>0；n=0时，时间t=0；Uij(0)=Sij-Tij >0，那么神经元(i.j)输出为高电平。这里的Tij是动态门限。\ 2、当高电平被输出时，Tij迅速增加到设定的常数VT，VT>Sij，从而使得Sij-Tij<0,输出低电平。\ 3、经过步骤1、2，神经元(i,j)输出了一个脉冲，这称为点火一次。在门限值Tij从VT衰减到Sij期间，神经元(i，j)是一直保持低电平的，而后当Uij>0时，重新点火，如此往复下去。\ 于是，神经元(i,j)的运行是这样的，在外部刺激Sij的作用下，以频率发送脉冲，频率为：\ 。所以，灰度值越大，点火频率就越高。，不同灰度值输入的神经元也会在不同的时刻被点火，而输入相同的神经元将在同一时间被点火。\ 4、经过1,2,3步之后，PCNN就把图像变成了一个和时间相关的点火图了。\ 二、存在耦合：\ 当β/=0时，神经元是否点火要受周围神经元的影响。\ 1、假设这里有一个强刺激神经元(i,j)，在第n次迭代点火的时候，它的邻近神经元(p,n)，其刺激spq由spq变为(1+βLpq)spq,【Lpq是神经元内部参数之一，连接输入】也就是神经元(p,q)的刺激被提高了。\ 2、如果此时，更新的spq大于阈值T，这会导致神经元(p,q)在第n次迭代的时候被提前点火。这个过程称为神经元(p.q)被神经元(i,j)捕获。\ 3、如此，当链接强度β和链接输入L越大，和神经元(i,j)同步点火的神经元就越多。那么，像素值越接近，就越容易被捕获。\ 4、于是，在存在耦合的情况下，耦合的神经元很有可能会出现集体的点火行为，发放同步脉冲：总结为空间近邻、强度相似的神经元倾向于在同一时刻点火。\ 5、这时PCNN的点火图就是有特征地将图像变成时间轴的点火图。\ PCNN的特性：1、构成PCNN系统的每一个神经元是动态的\ 2、PCNN不需要训练，是强自适应系统。

最后回顾一下PCNN的神经元结构：\ \ \

M,W为权值；F，L，T分别是反馈，链接，阈值的意义；V是放大系数，a是常数，U是内部行为，Y是输出，S是外部刺激(像素值)。

``` function [Edge,Numberofaera]=pcnn(X) % 功能：采用PCNN算法进行边缘检测 % 输入：X—输入的灰度图像 % 输出：Edge—检测到的 Numberofaera—表明了在各次迭代时激活的块区域 X=imread('lena.JPG'); figure(1); imshow(X); X=double(X); % 设定权值 Weight=[0.07 0.1 0.07;0.1 0 0.1;0.07 0.1 0.07]; WeightLI2=[-0.03 -0.03 -0.03;-0.03 0 -0.03;-0.03 -0.03 -0.03]; d=1/(1+sum(sum(WeightLI2))); %%%%%%测试权值%%%%%% WeightLI=[-0.03 -0.03 -0.03;-0.03 0.5 -0.03;-0.03 -0.03 -0.03]; d1=1/(sum(sum(WeightLI))); %%%%%%%%%%%%%%%%%% Beta=0.4;
Yuzhi=245; %衰减系数 Decay=0.3;
[a,b]=size(X); V_T=0.2; %门限值 Threshold=zeros(a,b);
S=zeros(a+2,b+2); Y=zeros(a,b); %点火频率 Firate=zeros(a,b); n=1;

imshow(Firate); %%%%%%子函数 %%%%%%% function Y=Jiabian(X) [m,n]=size(X); Y=zeros(m+2,n+2); for i=1:m+2 for j=1:n+2 if i==1&j~=1&j~=n+2 Y(i,j)=X(1,j-1); elseif j==1&i~=1&i~=m+2 Y(i,j)=X(i-1,1); elseif i~=1&j==n+2&i~=m+2 Y(i,j)=X(i-1,n); elseif i==m+2&j~=1&j~=n+2 Y(i,j)=X(m,j-1); elseif i==1&j==1 Y(i,j)=X(i,j); elseif i==1&j==n+2 Y(i,j)=X(1,n); elseif i==(m+2)&j==1 Y(i,j)=X(m,1); elseif i==m+2&j==n+2 Y(i,j)=X(m,n); else Y(i,j)=X(i-1,j-1); end end end %%%%%%子函数%%%%%% function Y=Bianhuan(X) [m,n]=size(X); Y=zeros(m+2,n+2); for i=1:m+2 for j=1:n+2 if i==1|j==1|i==m+2|j==n+2 Y(i,j)=0; else Y(i,j)=X(i-1,j-1); end end end %%%%%%子函数%%%%%% function Y=judge_edge(X,n) %X:每次迭代后PCNN输出的二值图像，如何准确判断边界点是关键 [a,b]=size(X); T=Jiabian(X); Y=zeros(a,b); W=zeros(a,b); for i=2:a+1 for j=2:b+1 if (T(i,j)==1)&((T(i-1,j)==0&T(i+1,j)==0)|(T(i,j-1)==0&T(i,j+1)==0)|(T(i-1,j-1)==0&T(i+1,j+1)==0)|(T(i+1,j-1)==0&T(i-1,j+1)==0)) Y(i-1,j-1)=-n; end end end ```

​