[发明专利]一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法

说明书

本发明提出一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法，该方法包括以下步骤：首先，求解动态阈值的振幅V_E与连接系数β；其次，将需要处理的图像中，感兴趣的区域的像素阈值代入目标优化的公式中，输出结果为馈电输入的指数衰减因子k_f；最后，通过k_f与漏积器的指数衰减因子k_e之间的关系，求解k_e。本发明与目前流行的脉冲耦合神经网络方案相比，使用更少的参数设置次数并得到更好的处理效果。

技术领域

本发明涉及图像处理领域，特别设计一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法。

背景技术

脉冲耦合神经网络在图像分割、图像阴影去除、图像融合、特征提取、模式识别等图像处理领域得到了迅速发展。目前，标准脉冲耦合神经网络通常进行简化，以降低计算复杂度，同时保留视觉皮层的基本属性。

由于脉冲耦合神经网络方法继承了哺乳动物视觉皮层的特征，因此模型参数代表了神经元的特性。PCNN方法的主要问题是难以建立神经元属性与图像结果之间的关系。这种困难是由于脉冲耦合神经网络网络参数的抽象化造成的。处理结果的质量在很大程度上依赖于脉冲耦合神经网络参数的合适值。目前主要有两种方法，一种是实验方法，另一种是参数自动设置方法。对自动参数设置。这两种方法都不能改变脉冲耦合神经网络网络参数的抽象性。这也是脉冲耦合神经网络网络参数难以设置的一个重要原因。因此本发明提出了一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法，以解决上述问题。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明提出基于像素值的脉冲耦合神经网络，解决现有脉冲耦合神经网络参数设置困难的问题，包括步骤如下：

步骤1，求解动态阈值的振幅V_E与连接系数β；

步骤2，将需要处理的图像中，感兴趣的区域的像素阈值代入目标优化的公式中，输出结果为馈电输入的指数衰减因子k_f；

步骤3，通过k_f与漏积器的指数衰减因子k_e之间的关系，求解k_e。

优选的，所述步骤1具体包括：

S_max是图像中的像素最大值，S'通过大津法获得。

优选的，所述步骤2中目标优化的公式具体为：

其中，

S₁、S₂是感兴趣区域的像素阈值。

优选的，所述步骤3中k_f与k_e之间的关系具体为：

其中，

是(n+2)维的向量，是n维的向量，Z是(n+2)×n的矩阵，n是所输入的像素阈值的个数。

附图说明

本发明的优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的基于像素值的脉冲耦合神经网络的结构框图；

图2a为原始图像，图2b为手动分割图像；

图3为对应处理结果图。

具体实施方式