主要介应用PCNN模型对彩色图像进行增强
62012,48(1)ComputerEngineeringandApplications计算机工程与应用网络,它克服传统神经网络需要训练、算法过于复杂、使用性算符号,W=WjÅWj-1Å?ÅW2ÅW1。低等缺点,具有以下几个突出特点[5]:(1)每一神经元是动态神2.3应用PCNN模型的彩色图像增强经元;(2)每一神经元具有动态脉冲发放特性;(3)所有参数可
以控制;(4)系统无需训练,有很强的自适应性。首先将图像从RGB空间转换到HSV空间,保持H、S通道
PCNN模型由基本神经元组成,每一神经元N(不变,利用小波变换对V通道进行能量衰减,压缩它的动态范
iji,j=1,2,…)
的结构图如图1所示。围。PCNN模型可以看作以单层二维的局部连接网络,对于亮
度V分量来说,它的神经元个数为输入图像的像素点个数,每
FWL1+βLE一个神经元不仅与对应的亮度强度像素点相连,而且还与邻
FE
近的神经元相连,每个神经元的输出只有两种状态,点火或不
输入区连接输入区UY
脉冲发生器
图1PCNN模型结构简图点火。依据PCNN模型中被同步激活的像素点具有近似的灰
度值,被异步激活的像素点具有不同的值。因此,利用PCNN
每个神经元通过下面的迭代等式运算:模型,依据一定的原理加大图像区域间亮度强度的梯度,就能Fij=exp(-aF)Fij[n-1]+VFåmijklYkl[n-1]+I(1)
klij突出图像的边缘,使得图像的亮度强度分布更具有层次性。
Lij=exp(-aL)Lij[n-1]+VLåwijklYkl[n-1](2)2.3.1亮度V分量的降噪处理
kl
Uij=Fij[n](1+βLij[n])(3)由于受噪声的干扰,亮度强度值域周围其他值差异很大,
利用PCNN模型,找到高亮度噪声点的具体位置,采用3×3窗
Y]
ij={1,Uij[n]>θij[n
0,otherwise(4)口的局部中值算法去除噪声点,然后对图像进行反白处理,再θij=exp(-aθ)θij[n-1]+VθYij[n-1](5)处理得到高亮度噪声点,最后进行反白处理,得到降噪后的亮
度V分量[5]。
由以上公式可以看出,PCNN模型就是由众多神经元相互2.3.2亮度V分量的增强处理连接而成的神经网络,它的每个神经元都由三部分组成:输入依据人眼的视觉特性,人眼所感知的亮度与客观亮度成域、连接域、输出域。其中输入域一部分来自外部输入信号的对数关系I=lnS,所以,采用对数函数映射,将神经元感知的反馈输入,即Fij(I表示输入激励,值为点(i,j)的灰度Iij,mijkl亮度强度映射到一个合适的范围[5-6]。为神经元之间的权系数),另一部分来自其他神经元的连接输由于PCNN模型能够对近似的亮度强度值同步激活,对入,即Lij(其中wijkl为神经元之间的权系数,通常mijkl=wijkl)。不相似的亮度强度值异步激活,如果人为加大图像区域间亮接下来,馈送输入Fij和连接输入Lij乘积耦合形成连接域,度强度的梯度,那么就会增强边缘,使亮度V分量得到增强。Uij=Fij[n](1+βLij[n]),通过Uij与动态阈值θij的比较,激励或设Vmax为亮度V分量的最大值,Vmin为亮度V分量的最抑制神经元的脉冲信号输出Yij,而Yij不仅导致自身θij,Lij,小值,初始阈值θij=Vmax,各神经元之间无耦合,则在n=1时Fij的变化,而且还影响其他临近连接的神经元的输出,而这些刻,Fij(1)=Vij,Lij(1)=0,Uij(1)=Fij,θij(1)=Vmax*exp(-αθ),此受影响的神经元又会激励其周围连接的神经元的输出。因时若Vmax*exp(-αθ)<Iij£Vmax,则对应的神经元同时点火,将此,在PCNN内部,具有近似灰度的像素就会被同步激活,否神经元感知的亮度强度值记为ln(Vmax);在n=2时刻,则被异步激活(aF,aL,aθ为衰减常数,β为连接强度常数,F
Vij(2)=Vij,Lij(2)=0,Uij(2)=Fij,θij(2)=Vmax*exp(-2αθ),此F,VL,Vθ为放大系数常数)。
2.2入射反射模型及小波变换时若Vmax×exp(-2αθ)<Vij£Vmax×exp(-αθ),则对应的神经元
传统入射—反射模型认为图像的高动态主要由入射分量又同时点火,将神经元感知的亮度强度值记为ln(Vmax)-αθ;直引起,入射分量是图像中的慢变部分(主要反映图像中的光到Vij=Vmin的神经元也点火。所以递推可得到如下亮度V分照),反射分量是图像中的快变部分(主要反映图像中的细节)。量的增强公式,enhVij为增强的亮度强度值,t是神经元点火如果能够从图像中分离出入射分量,就可以通过衰减入射分的时刻(t=1?2?)。量的能量来达到压缩图像动态范围的目的。但是,入射—反enhVij=ln(Vmax)-αθ(t-1)(7)射模型中前提条件是光照必须是均匀的,而多数图像光照剧由于初始的阈值θ烈且不均匀。因此,必须对入射—反射模型做一定的修改。ij的取值非常重要,它决定着神经元和
小波变换的多尺度特性和人眼水晶体的功能十分相似。邻近神经元所受到的激励,它要反映出以下事实:某个神经元小波分解后,其高频部分主要由图像的细节(即反射分量的主受到的激励较强(较弱),而邻近神经元受到的激励较弱(较强)。要组成部分并包含噪声)构成,低频部分主要由图像的光照2.3.3算法步骤(即入射分量的主要组成部分)构成,文献[1]得到图像的入射(1)读取一幅真彩图像;反射模型应用小波变换解释为:(2)真彩图像由RGB空间变换到HSV空间;
f(x?y)=Vj(x?y)ÅW(x?y)(6)(3)针对亮度通道采用静态小波变换,分解为入射分量和其中VcD(h)反射分量;
j是小波变换后的低频信息cAj,Wj+1是包括j+1,
(v)(d)(4)利用文献[1]中的方法对入射分量进行能量压缩;cDj+1和cDj+1的高频信息,j是小波变换的尺度,Å为合成运(5)然后利用PCNN模型方法对亮度通道的入射分量进
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读,免费范文网,提供经典小说教育文库PCNN模型在彩色图像增强中的应用(2)在线全文阅读。
相关推荐: