基于PCNN模型的图像分析方法和装置制造方法及图纸

本发明专利技术公开了一种基于PCNN模型的图像分析方法和装置。其中，该方法包括：在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算该像素点与其邻域对应的方向通道的最大能量；根据每个方向通道的最大能量确定视觉信息计算模型的最大尺度和有效方向；根据该最大尺度和有效方向确定PCNN模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；基于上述确定的W和M对应的PCNN模型对当前图像进行图像分析。本发明专利技术解决了相关技术中PCNN模型的自适应性比较差的问题。

【技术实现步骤摘要】
基于PCNN模型的图像分析方法和装置
本专利技术涉及图像处理与分析领域，具体涉及基于PCNN（PulseCoupledNeuralNetworks，脉冲耦合神经网络）模型的图像分析方法和装置。
技术介绍
PCNN模型中的参数能够决定该模型在数字图像理解、分析与模式识别领域的性能。因此，相关技术中提出了多种设定PCNN网络参数的研究方案。按研究内容可以分为：1）依据图像的统计学信息对PCNN一个或多个参数进行自适应设定方法；2）依据感受野的PCNN参数设定方法；3）依据PCNN模型自身结构特征设定网络参数的方法。上述PCNN模型大多数是针对特定领域内的图像进行的参数设定，导致PCNN模型的自适应性比较差。针对上述PCNN模型的自适应性比较差的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例的目的在于提供一种基于PCNN模型的图像分析方法和装置，用以解决上述PCNN模型的自适应性比较差的问题。根据本专利技术实施例的一方面，提供了一种基于PCNN模型的图像分析方法，包括：在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算该像素点与其邻域对应的方向通道的最大能量；根据每个方向通道的最大能量确定视觉信息计算模型的最大尺度和有效方向；根据该最大尺度和有效方向确定PCNN模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；基于上述确定的W和M对应的PCNN模型对当前图像进行图像分析。优选地，上述通过变换视觉信息计算模型的窗口大小，计算像素点与其邻域对应的方向通道的最大能量包括：以多尺度多方向Gabor函数作为视觉信息计算模型；通过改变Gabor函数窗口的大小变换视觉信息计算模型的尺度s；对于每个s，以像素点为中心，将像素点的邻域分解为2s个方向通道；计算每个方向通道的最大能量。优选地，上述根据每个方向通道的最大能量确定视觉信息计算模型的最大尺度和有效方向包括：根据每个方向通道的最大能量计算每个方向通道的能量响应系数；将方向通道的能量响应系数进行降序排列；从降序排列后的能量响应系数中选取前指定个能量响应系数作为有效元素；将有效元素中的尺度最大值确定为视觉信息计算模型的最大尺度；将有效元素对应的方向确定为视觉信息计算模型的有效方向。优选地，上述根据最大尺度和有效方向确定PCNN模型的参数W和M包括：根据最大尺度确定W和M的矩阵长度；将W和M中有效方向对应的元素的值置为1，其余元素值置为0。优选地，上述根据最大尺度和有效方向确定PCNN模型的参数W和M之后，上述方法还包括：设置PCNN模型中的突触间的连接强度系数其中，λ(s，θ)为能量响应系数，s表示视觉信息计算模型的尺度，θ表示视觉信息计算模型的方向；m和n分别是M和W的矩阵的长度。优选地，上述基于确定的W和M对应的PCNN模型对当前图像进行图像分析包括：基于Gabor函数计算像素点的K×K邻域内各个像素点的M的方向相似性；其中，K为所确定的W的矩阵的行数或列数；如果方向相似性在指定范围内，对K×K邻域内的像素点进行一次点火，得到K×K邻域内的像素点的图像分析数据。根据本专利技术实施例的另一方面，提供了一种基于PCNN模型的图像分析装置，包括：像素点选择模块，用于在当前图像上随机选择一个像素点；方向通道能量计算模块，用于通过变换视觉信息计算模型的窗口大小，计算像素点选择模块选择的像素点与其邻域对应的方向通道的最大能量；尺度与方向确定模块，用于根据方向通道能量计算模块计算的每个方向通道的最大能量确定视觉信息计算模型的最大尺度和有效方向；参数确定模块，用于根据尺度与方向确定模块确定的最大尺度和有效方向确定PCNN模型的参数W和M，其中，M为反馈输入域的连接矩阵；W为耦合连接域的连接矩阵；图像分析模块，用于基于参数确定模块确定的W和M对应的PCNN模型对当前图像进行图像分析。优选地，上述尺度与方向确定模块包括：系数计算单元，用于根据每个方向通道的最大能量计算每个方向通道的能量响应系数；排序单元，用于将系数计算单元计算的方向通道的能量响应系数进行降序排列；有效元素选取单元，用于从排序单元降序排列后的能量响应系数中选取前指定个能量响应系数作为有效元素；尺度确定单元，用于将有效元素选取单元选取的有效元素中的尺度最大值确定为视觉信息计算模型的最大尺度；方向确定单元，用于将有效元素选取单元选取的有效元素对应的方向确定为视觉信息计算模型的有效方向。优选地，上述装置还包括：强度系数设置模块，用于设置PCNN模型中的突触间的连接强度系数其中，λ(s，θ)为能量响应系数，s表示视觉信息计算模型的尺度，θ表示视觉信息计算模型的方向；m和n分别是M和W的矩阵的长度。优选地，上述图像分析模块包括：方向相似性计算单元，用于基于Gabor函数计算像素点的K×K邻域内各个像素点的M的方向相似性；其中，K为所确定的W的矩阵的行数或列数；点火单元，用于如果方向相似性计算单元计算的方向相似性在指定范围内，对K×K邻域内的像素点进行一次点火，得到K×K邻域内的像素点的图像分析数据。本专利技术引入视觉信息计算模型确定PCNN模型的参数W和M，可以使PCNN模型与当前的图像相适应，解决了相关技术中PCNN模型的自适应性比较差的问题，同时该PCNN模型因为是基于视觉信息计算模型建立的，进而能够依据图像自身的生物视觉感知信息，得到图像的分析结果，提高了图像分析的准确性。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术实施例提供的基于PCNN模型的图像分析方法的流程图；图2是本专利技术实施例提供的PCNN模型的结构示意图；图3是本专利技术实施例提供的具体的PCNN模型的图像分析方法的流程图；图4是本专利技术实施例提供的PCNN模型的图像分析装置的结构框图。具体实施方式下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。考虑到PCNN模型是基于生物视神经皮层理论提出的，网络参数M、W即能够有效描述图像全局信息，也能描述每个像素相对于邻域像素的变化关系，因此，依据图像自身包含的生物视觉信息自适应的设定网络参数W、M，便能够从全局和局部准确描述图像自身的特征。基于此，本专利技术实施例提供了一种基于PCNN模型的图像分析方法和装置。如图1所示的基于PCNN模型的图像分析方法的流程图，该方法包括以下步骤：步骤S102，在当前图像上随机选择一个像素点；步骤S104，通过变换视觉信息计算模型的窗口大小，计算该像素点与其邻域对应的方向通道的最大能量；步骤S106，根据每个方向通道的最大能量确定上述视觉信息计算模型的最大尺度和有效方向；步骤S108，根据上述最大尺度和有效方向确定PCNN模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；步骤S110，基于确定的W和M对应的PCNN模型对当前图像进行图像分析。本实施例的方法引入视觉信息计算模型确定PCNN模型的参数W和M，可以使PCNN模型与当前的图像相适应，解决了相关技术中PCNN模型的自适应性比较差的问题，同时该PCNN模型因为是基于视觉信息计算模型建本文档来自技高网...

【技术保护点】
一种基于脉冲耦合神经网络PCNN模型的图像分析方法，其特征在于，包括：在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算所述像素点与其邻域对应的方向通道的最大能量；根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和有效方向；根据所述最大尺度和所述有效方向确定PCNN模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；基于所述确定的W和M对应的PCNN模型对所述当前图像进行图像分析。

【技术特征摘要】
1.一种基于脉冲耦合神经网络PCNN模型的图像分析方法，其特征在于，包括：在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大小，计算所述像素点与其邻域对应的方向通道的最大能量；根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和有效方向；根据所述最大尺度和所述有效方向确定PCNN模型的参数W和M，其中，M为反馈输入域的连接矩阵；W耦合连接域的连接矩阵；基于所述确定的W和M对应的PCNN模型对所述当前图像进行图像分析；基于所述确定的W和M对应的PCNN模型对所述当前图像进行图像分析包括：基于Gabor函数计算所述像素点的K×K邻域内各个像素点的M的方向相似性；其中，K为所确定的W的矩阵的行数或列数；如果所述方向相似性在指定范围内，对所述K×K邻域内的像素点进行一次点火，得到所述K×K邻域内的像素点的图像分析数据。2.根据权利要求1所述的方法，其特征在于，通过变换视觉信息计算模型的窗口大小，计算所述像素点与其邻域对应的方向通道的最大能量包括：以多尺度多方向Gabor函数作为视觉信息计算模型；通过改变Gabor函数窗口的大小变换所述视觉信息计算模型的尺度s；对于每个s，以所述像素点为中心，将所述像素点的邻域分解为2s个方向通道；计算每个方向通道的最大能量。3.根据权利要求1所述的方法，其特征在于，根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和有效方向包括：根据每个所述方向通道的最大能量计算每个所述方向通道的能量响应系数；将所述方向通道的能量响应系数进行降序排列；从降序排列后的所述能量响应系数中选取前指定个能量响应系数作为有效元素；将所述有效元素中的尺度最大值确定为所述视觉信息计算模型的最大尺度；将所述有效元素对应的方向确定为所述视觉信息计算模型的有效方向。4.根据权利要求1所述的方法，其特征在于，根据所述最大尺度和所述有效方向确定PCNN模型的参数W和M包括：根据所述最大尺度确定W和M的矩阵长度；将W和M中所述有效方向对应的元素的值置为1，其余元素值置为0。5.根据权利要求1所述的方法，其特征在于，根据所述最大尺度和所述有效方向确定PCNN模型的参数W和M之后，所述方法还包括：设置所述PCNN模型中的突触间的连接强度系数其中，λ(s...

【专利技术属性】
技术研发人员：赵彦明，
申请(专利权)人：赵彦明，
类型：发明
国别省市：