[发明专利]一种基于Spiking-SOM神经网络聚类的图像分割系统及方法

权利要求书

1.一种基于Spiking-SOM神经网络聚类的图像分割方法，其特征在于，包括以下步骤：

步骤1：输入目标图像；

步骤2：采用中值滤波方法进行图像预处理；

步骤3：采用SLIC算法把预处理后图像分割成K个紧凑、并近似均衡的超像素作为特征提取窗口，计算超像素内的所有像素的RGB平均值作为当前超像素的颜色特征；

采用SLIC算法把预处理后图像分割成K个超像素方法为：

步骤3.1：将图像由RGB颜色空间转换为CIELAB颜色空间；

步骤3.2：初始化种子点：按照设定的超像素个数，在图像内均匀的分配种子点，假设图片总共有N个像素点，预分割为K个超像素，那么每个超像素的大小为N/K，则相邻种子点的距离近似为

步骤3.3：在种子点的n*n邻域内重新选择种子点，具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方；

步骤3.4：在每个种子点周围的邻域内为每个像素点分配类标签，SLIC的搜索范围限制为bS*bS；

步骤3.5：距离度量，SLIC算法是利用颜色信息和空间信息来建立分割准则的，像素点描述为x＝[l,a,b,x,y]，其中[l,a,b]是像素在CIELAB颜色空间的颜色信息，[x,y]是像素点的空间坐标，对于每个搜索到的像素点，分别计算它和该种子点的距离，像素到种子点的颜色信息欧式距离为：

式中x_i,l,a,b为像素点i在CIELAB颜色空间的值，x_j,l,a,b为种子点j在CIELAB颜色空间的值；

像素到种子点的空间欧式距离为：

像素到种子点的距离为：

dist＝d_lab+λ*d_xy

式中，d_lab是像素点到种子点的颜色距离，d_xy是像素点到种子点的空间距离，λ是空间位置距离的权，当λ越大时，空间信息在分割超像素时占的比重就越大，超像素形状就越趋于矩形，超像素的平均面积也就越均衡；

由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心；

步骤3.6：迭代优化，整幅图像扫描一遍之后，每个像素点都对应一个类标签，相同类标签的像素属于同一个类，对上一次划分的每一个类，求出每一个类的[l,a,b,x,y]均值，作为新的种子点，按照上述规则重新标记，当迭代至分类结果不发生改变即划分完成，迭代结束；

步骤4：采用Spiking-SOM神经网络对超像素进行聚类；

具体为：

步骤4.1：构建Spiking-SOM神经网络：设计网络结构、初始化网络权值矩阵和搭建IF神经元模型；

步骤4.11：设计网络结构、初始化网络权值矩阵：采用K个IF神经元组成Spiking-SOM神经网络，该网络为单层单突触连接的Spiking-SOM神经网络，每个神经元代表一个超像素，每个神经元与其Z个最近邻连接起来，通过计算超像素之间颜色特征的欧氏距离并进行归一化，将超像素的颜色特征映射到神经网络的权值矩阵中，实现网络权值矩阵初始化；超像素颜色特征描述为x＝[r,g,b]，其中[r,g,b]是超像素内的所有像素的RGB平均值；

神经元i和神经元j之间的欧氏距离计算为：

对于每一个神经元，确定Z个最近邻，即欧氏距离最小，将每个神经元与其Z个最近邻连接起来，神经元i和神经元j之间的初始连接权值w_ij由归一化函数计算为：

式中d_ij为神经元i和神经元j之间的欧式距离，d₀为初始选定的一个与神经元i与j之间的平均距离成比例的局部参数，计算为：

式中为神经元i和神经元j之间的平均欧式距离；

步骤4.12：搭建IF神经元模型，Spiking-SOM神经网络由K个IF Spike神经元组成，IF神经元模型积分公式为：

式中I为输入电流，其中I＝I_ext+I_int，I_ext为外部输入电流，它是恒定的阶跃函数，I_int为来自所连接的神经元发出的脉冲电流，τ_m＝RC，R是IF神经元模型电阻，C为电容，u_rest为静态电压；

当IF神经元模型进行精确积分时，在t₀时刻，给出一个初始膜电压u_i(t₀)，T_i是神经元i的膜电压从u_i(t₀)到达阈值所需要的时间，计算为：

式中θ为IF神经元膜电压阈值；

网络中下一个脉冲发生的时间计算为：

T_k＝min_i{T_i}

式中k指下一个发放脉冲的神经元，min_i{T_i}为神经元i的膜电压从u_i(t₀)到达阈值所需要的时间的最小值，i＝1,2...K，K为神经元数量；

然后所有神经元的膜电压将更新为：

式中t'为神经元k发放脉冲的时间，t′＝t₀+T_k；

如果神经元i的膜电压大于阈值θ时，神经元膜电压复位为：

u_i(t')＝0

如果膜电压小于阈值，则膜电压更新为：

式中F(t')是在神经元i连接的所有在t'时刻发放脉冲的神经元，w_ij为神经元i和属于F(t')内的神经元j之间的连接权值；

步骤4.2：训练网络：采用Hebbian学习规则进行网络训练，定义时间窗τ；如果两个神经元i和j发放脉冲的时间差小于τ，那就表示两个神经元是同步放电的，且i和j之间的连接权值加倍，同时定义最大突触权值sm，w_ij＝Min(sm,w_ij)，Min(sm,w_ij)是sm与w_ij的最小值；如果时间差大于τ，则神经元之间的连接权值则会衰减，衰减公式如下：

式中T_ext是动作电位从静息电位0上升到阈值所需要的时间，τ＝T_ext/4，T_ext计算为：

网络初始化之后，根据以上描述的学习规则进行动态调整，当网络模拟停止时，集群中的权值将接近w_ij＝1，孤立的神经元的连接权值则接近于0，因此，同步放电集群就是同步放电的所有神经元的集合，在神经元集群的学习结束后，在单个神经元学习之前，停止学习过程，具体通过观察突触权值的比率来实现，当r_learn＜0.3时，停止训练，r_learn计算为：

r_learn＝n_learn/n1

式中r_learn为网络权值矩阵中连接权值为1的数量与连接权值在0到1之间的数量的比例，n_learn为网络权值矩阵中连接权值在0到1之间的数量n_learn＝{w_ij|s_min＜w_ij＜1}，s_min是网络权值矩阵中的最小值，n₁为网络权值矩阵中连接权值为1的数量n₁＝{w_ij|w_ij＝1}；

步骤4.3：神经元聚类，网络训练结束后突触的权值要么接近于零，要么接近于1，以此来表示训练中有一个强有力的自组织过程，为了在网络训练终止后识别集群，如果突触的连接权值小于阈值Θ，则此连接权值变为0，那么，所有突触的连接权值大于或等于阈值Θ也就是连接权值不为0时，认为此突触前后两个神经元同步放电，同步放电的神经元聚为一类，不同步的异类，则所有同步放电的神经元连接起来组成若干集群，将集群分别用类别来表示，则完成了神经元聚类，也就是超像素聚类；

步骤5：重置图像矩阵，得到图像分割结果。