[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

说明书

本发明公开了一种基于Spiking‑SOM神经网络聚类的图像分割系统及方法，首先采取中值滤波方法对目标图像进行去噪；然后利用SLIC算法把目标图像分割成K个超像素作为特征提取窗口，计算超像素内的所有像素的RGB平均值作为超像素的颜色特征；进而选择K个IF神经元构建Spiking‑SOM神经网络，基于计算超像素之间颜色特征的距离来构建网络的初始权值矩阵，并采用Hebbian规则训练网络，网络训练结束后，根据神经元放电的同步与异步进行聚类；最后计算同类的超像素的RGB平均值，并用其代替原来的超像素RGB值，重置图像矩阵后，得到图像分割结果。本发明综合了分割速度和分割精度优势，能够对自然场景中的彩色图像进行有效分割，具有一定的潜在应用价值和先进性。

技术领域

本发明属于图像分割领域，具体涉及一种基于Spiking-SOM神经网络聚类的图像分割系统及方法。

背景技术

图像分割是图像分析、图像理解和计算机视觉的基础，是图像处理中的难点。越来越多的研究者将Spiking神经网络应用于图像分割中，取得了丰硕的成果，Spiking神经网络在图像分割中有不少应用方法实践，但存在分割速度不理想缺陷。

发明内容

本发明的目的在于提供一种基于Spiking-SOM神经网络聚类的图像分割系统及方法，以克服上述现有技术存在的缺陷，本发明将超像素分割与Spiking神经网络相结合，能够对自然场景下的彩色图像进行有效分割，有助于改善分割效率和精度，本发明方法具有一定的潜在应用价值和先进性。

为达到上述目的，本发明采用如下技术方案：

一种基于Spiking-SOM(Spiking-Self Organizing Feature Map)神经网络聚类的图像分割系统，包括：目标图像输入模块，获取目标图像的RGB颜色空间值；图像预处理模块，采用中值滤波方法对原始目标图像进行图像去噪；超像素计算模块，通过SLIC算法(Simple Linear Iterative Clustering)把预处理后图像分割成K个紧凑、近似均衡的不规则图像块(超像素)作为特征提取窗口，然后计算超像素内所有像素的RGB平均值作为超像素的颜色特征；Spiking-SOM神经网络超像素聚类模块，选择K个IF(Integrate-and-Fire)神经元构建Spiking-SOM神经网络，基于计算超像素之间颜色特征的距离来构建网络的初始权值矩阵，并采用Hebbian规则训练网络，网络训练结束后，根据神经元放电的同步与异步进行聚类；图像分割模块，计算同类的超像素的RGB平均值，并用其代替原来的超像素RGB值，重置图像矩阵后，得到图像分割结果。

进一步地，Spiking-SOM神经网络超像素聚类模块包括：设计网络结构、初始化网络权值矩阵模块，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(如附图2)，每个神经元代表一个超像素，每个神经元与其Z个最近邻(颜色特征的欧氏距离最近)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；搭建IF神经元模型模块，基于K个IF神经元建立积分放电模型；学习规则模块：采用Hebbian规则训练网络，根据停止训练准则时，网络停止训练；图像分割模块，当Spiking-SOM神经网络停止训练后，根据神经元放电的同步与异步进行聚类，同步放电的神经元归为一类，不同步放电的不同类。

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平均值作为超像素的颜色特征；

步骤4：采用Spiking-SOM神经网络对超像素进行聚类；