[發明專利]一種基于Spiking神經網絡的圖像分割方法

有效

• 申請號: 201310210479.7
• 申請日: 2013-05-31
• 公開（公告）號: CN103279958A
• 公開（公告）日: 2013-09-04
• 發明（設計）人: 屈鴻;侯孟書;王曉斌;朱宗花;劉貴松;謝修蕊;潘婷
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T9/00;G06N3/02
• 代理公司: 成都華典專利事務所(普通合伙) 51223
• 代理人: 徐豐;楊保剛

技術領域

本發明涉及神經網絡、機器學習、圖像處理等領域，具體涉及基于Spiking神經網絡——利用其時間編碼同步綁定特性進行圖像分割的方法。

背景技術

圖像分割是指按一定規則將一幅圖像劃分為若干互不交疊的區域，它是數字圖像處理的一個關鍵環節，其結果直接影響到后續的圖像識別、圖像理解。圖像分割一直以來是比較熱門的研究課題，每當有新的技術產生，科研工作人員總是熱衷于將其應用到圖像分割中。然而圖像分割本身是一個病態問題，分割的目的是為了理解，但理想的分割結果又往往需要理解后的結果作為先驗知識。

人類的視覺系統相較于計算機有著不可比擬的優勢。大腦經過早期的學習、記憶，對于給定的圖像可以一眼就能得到自己感興趣的圖像部分。所以，對人類視覺系統進行研究，得到相應的數學模型，并應用于數字圖像分割是非常有意義的。人工神經網絡即為對生物大腦進行模擬仿真得出的科研成果，越來越多的科研人員將人工神經網絡應用于圖像分割中并取得了不錯的研究成果。

Spiking神經網絡是人工神經網絡的最新研究成果，被稱作第三代神經網絡。較之前兩代神經網絡，它可以采用時間編碼對外部信息進行處理，本身具備時間域信息處理功能。Spiking神經網絡的神經元模型、學習算法等與前兩代神經網絡大有不同，但同時具備更強的計算能力，其本身是神經網絡領域內的一個研究熱點。

將目前仿生性能最好的Spiking神經網絡應用到圖像分割中是比較有研究意義的，神經網絡的原理在于基于神經元模型按一定的網絡結構通過不斷的訓練以期達到所需的結果。其神經元模型并不復雜，但加上分層的網絡結構卻能模擬任意函數，完成對信息的處理。Spiking神經網絡應用到圖像分割關鍵在于設計適合的網絡結構并在訓練過程中找到好的學習規則。

發明內容

本發明要解決的技術問題是提供一種基于Spiking神經網絡的圖像分割方法，使其能夠有效的分割出圖像。現有的基于Spiking神經網絡的圖像分割技術并不成熟，多是采用脈沖發放率對信息進行編碼（當采用的仿真時間步較大時，會存在明顯的精度問題），亦或是采用Spiking神經網絡與其它網絡相結合，并不能完全體現Spiking神經網絡的優越性。

為解決上述技術問題，本發明采用如下技術方案：

一種基于Spiking神經網絡的圖像分割方法，其特征在于包括如下步驟：

步驟1、基于高斯接受域的方法采用群體神經元對圖像像素灰度值編碼，即采用10個SRM神經元編碼像素灰度值得到相應的脈沖發放時間，編碼后，每個像素對應9個興奮型神經元以及1個抑制型神經元；

步驟2、根據上述編碼后的脈沖發放時間，將其作為“二維輸出層”遞歸網絡的輸入，這里的“二維輸出層”是由于在競爭網絡中通常只包含一個輸入層和一個輸出層，而考慮到圖像自身特征以及Spiking網絡的時間編碼特性，這里采用包括一個特征綁定層及一個圖像分割層的“二維輸出層”，

其中特征綁定層內的神經元個數為圖像像素數的10倍，圖像分割層的神經元個數為圖像分割后的所需區域數；

特征綁定層內存在層內的橫向連接，以及向圖像分割層的前饋連接；

圖像分割層存在向特征綁定層內的反饋連接；

該“二維輸出層”內的神經元均采用含突觸延時的0階SRM神經元模型；

步驟3、對上述“二維輸出層”內神經元按照STDP與winner-takes-all的學習規則以及同步與異步相結合的仿真策略在指定的迭代次數下進行訓練；

具體而言，每次訓練過程中，從脈沖發放時間的優先隊列中選取一個或多個winner神經元，按照STDP規則僅改變與winner神經元存在連接的神經元間的權值，同時保證興奮型突觸的連接權值為正，抑制型神經元的連接權值為負，與此同時，對神經元的突觸延時進行動態改變，與winner神經元存在輸入關系的神經元之間的延時增加，存在輸出關系的神經元之間的延時減少，并保證在1-9ms之間；

步驟4、采用競爭機制，具有相似像素灰度特征的神經元越來越同步，而具有不同特征的神經元的脈沖輸出時間差異越來越大，最終特征綁定層內的神經元的脈沖輸出映射至不同的分割區域中，基于特征綁定層內的神經元輸出時間對圖像進行解碼，根據脈沖發放時間的不同按分割后的區域數重置圖像矩陣，最終得到分割結果。

上述技術方案中，所述同步與異步相結合的網絡對象仿真策略，具體步驟如下：

21)、對于每一次仿真，重新開始計時：