论文部分内容阅读
近年来，越来越多的研究者把人工神经网络的研究重点转向了更具真实性的脉冲神经网络中，并且目前已经有很多国内外的研究者在脉冲神经网络的应用方面取得了一定的成果。而图像分割作为图像处理的一个关键步骤，在图像处理中占据着重要的位置。所以本文针对基于脉冲神经网络的图像分割做了一些工作，具体如下：提出了一种新的基于Time-to-First-Spike编码的脉冲神经网络图像分割方法，在图像分割中引入Time-to-First-Spike编码策略，将图像的像素值编码为脉冲的发放时间。首先在输入层将图像像素值应用Time-to-First-Spike编码策略转换为神经元脉冲的发放时间，然后将编码结果以感受野为单位送入中间层，通过阈值电位控制神经元的脉冲发放，最后在输出层根据分割阈值将神经元的脉冲发放时间分成两类并输出分割结果。在实验中，详细分析了感受野大小、阈值电位和分割阈值等参数对分割结果的影响，并通过对具有噪声的复杂图像的分割，验证了该方法的有效性。针对脉冲神经网络图像分割中的脉冲编码问题，提出了Time-to-First-Spike编码策略的两种编码方式：线性编码和非线性编码。线性编码方法采用从图像像素值到神经元脉冲发放时间的线性函数对应关系，而非线性编码方法采用Sigmoid函数的对应关系。通过应用线性编码方法和非线性编码方法对图像进行分割，实验结果表明：(1)非线性编码方法的分割结果优于线性编码方法，分割图像具有更大的香农熵值；(2)非线性编码方法在图像分割时具有更大的取值区间，更容易对参数进行选择，取得最佳的图像分割结果。脉冲神经网络分割模型中的参数分割阈值若通过人工实验的方式进行选取，则实验效率较低，并且取得的分割阈值精度不高。为了解决该问题，特别在脉冲神经网络的分割模型中加入遗传算法对脉冲神经网络分割模型中的参数分割阈值进行进化。最后通过实验取得了比人工实验选取更优的分割阈值，且实验效率得到较大的提高。