[发明专利]一种基于脉冲神经网络的图像特征描述方法

说明书

本发明公开了一种基于脉冲神经网络的图像特征描述方法，包括如下步骤：S1、对原始图像进行预处理；S2、使用Sobel算子对脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理；S3、将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取；S4、实现特征提取；S5、使用编码层进行Spiking编码与采样处理；S6、根据脉冲序列，使用改进的Tempotron算法，学习编码层神经元到学习层神经元的连接权重；S7、进行处理后图像的描述，并进行图像特征的描述。本发明解决了现有技术存在的特征选择与提取繁琐，计算复杂，提取的特征对物体的区分性弱，重要特征易丢失和改变以及无法根据记忆对图像进行较完整的恢复的问题。

技术领域

本发明属于智能计算领域，具体涉及一种基于脉冲神经网络的图像特征描述方法。

背景技术

在对物体的识别能力上，生物的视觉系统相对于目前的计算机视觉系统拥有更强大的能力。当两个不同的图像同时出现在人类试验者的左右时，试验者可以在120-130毫秒的时间内选择出目标物体。如果我们假定人类的视觉系统中的处理延迟是20-30毫秒，这意味着潜在的视觉处理可以在100毫秒或更短的时间内完成。在最新的猴子脑电试验中，记录颞叶皮层(IT)的数据显示，在12.5ms的时间段内脉冲点火(Spike)，并且在刺激发起之后仅约100ms产生关于视觉刺激的信号。

计算机视觉是使用计算机及相关设备模拟生物视觉，其最终研究目标是使计算机能像人一样通过视觉观察和理解世界，对环境具有自主适应能力。目前，计算机视觉广泛应用于工业、军事等领域，具体应用包括机器人路径规划、无人机侦查、自主战斗等。然而，要实现上述应用，其中一项最基本且重要的研究内容是计算机视觉中的图像分类与识别。其研究思路是：首先，设计一种图像特征的描述和记忆方法；然后，用该方法描述和记忆训练图像，并记录描述和记忆结果；最后，用同样的方法描述和记忆测试图像，并记录描述和记忆结果，将训练图像和测试图像的描述和记忆结果进行比较，最终实现图像分类与识别。可以看出，从很大程度上说，图像特征的描述和记忆方法决定了图像分类与识别的效果。

传统的图像分类和识别算法是将图像分解为一系列局部区域，提取局部区域中的图像特征，用所有局部特征集合来描述和记忆图像。在上述方法中，特征的选择与提取较为繁琐，且计算复杂。后来，有研究者将卷积神经网络应用于图像描述和记忆，一定程度上改善了传统的图像描述和记忆方法中特征提取的复杂度。卷积神经网络借鉴了人类视觉系统的层级结构和局部感受野特性，网络中每个神经元表示一种特征，上层特征由下层某一局部区域内的特征经线性组合及非线性变换后得到。通过反向传播算法训练该网络可自动提取对分类最有影响的特征，因而这类方法在很大程度上提高了图像分类准确率。

综上所述，现有技术存在的问题是：无论是采用集合方法还是线性组合方法来描述图像局部特征的组合，都会丢失特征之间的相对位置信息，导致无法根据记忆对图像进行较完整的恢复，即现有的这些方法对于图像的描述和记忆还不够完整。

发明内容

针对现有技术中的上述不足，本发明提供了一种特征选择与提取简便，计算方便，提取特征区分性强，提取效果好以及实用性高的基于脉冲神经网络的图像特征描述方法，保证了提取特征的不变性，解决了现有技术存在的特征选择与提取繁琐，计算复杂，提取的特征对物体的区分性弱，重要特征易丢失和改变以及无法根据记忆对图像进行较完整的恢复的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于脉冲神经网络的图像特征描述方法，包括如下步骤：

S1：对原始图像进行预处理，得到处理后图像；

S2：使用Sobel算子对脉冲神经网络的Gabor滤波器卷积层进行稀疏化处理，得到稀疏Gabor滤波器卷积层；

S3：将处理后图像输入稀疏Gabor滤波器卷积层进行特征提取，得到处理后图像中每个像素点处的梯度方向；