[0038]图1为本发明所提供的基于多通道脉冲耦合神经网络模型的融合方法的一种具 体实施方式的流程图；
[0039]图2为本发明所提供的基于多通道脉冲耦合神经网络模型的融合方法的另一种
【具体实施方式】的流程图；
[0040] 图3为传统m-PCNN的神经元模型的示意图；
[0041] 图4为本发明所提供的m-PCNN的神经元模型的示意图；
[0042]图5为本发明所提供的基于多通道脉冲耦合神经网络模型的融合装置的一种具 体实施方式的结构框图。
【具体实施方式】
[0043] 为了使本技术领域的人员更好地理解本发明方案，下面结合附图和【具体实施方式】 对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其他实施例，都属于本发明保护的范围。
[0044] 本发明所提供的基于多通道脉冲耦合神经网络模型的融合方法的一种具体实施 方式的流程图如图1所示，该方法包括：
[0045] 步骤S101 :获取输入多通道脉冲耦合神经网络模型中神经元各通道的多个源信 号；
[0046] 步骤S102 :通过所述多个源信号以及邻域内的神经元上一时刻输出的脉冲信号， 计算得到所述神经元各通道的信号数据；
[0047] 步骤S103 :通过融合因子对所述各通道的信号数据进行非线性融合，计算得到当 前时刻的融合输出数据；所述融合因子用于标识各通道信号对融合结果的影响强弱和方 向；
[0048] 步骤S104 :根据所述融合输出数据，计算得到融合结果。
[0049] 本发明所提供的基于多通道脉冲耦合神经网络模型的融合方法，通过获取输入多 通道脉冲耦合神经网络模型中神经元各通道的多个源信号；通过多个源信号以及邻域内的 神经元上一时刻输出的脉冲信号，计算得到神经元各通道的信号数据；通过融合因子对所 述各通道的信号数据进行非线性融合，计算得到当前时刻的融合输出数据；根据融合输出 数据，计算得到融合结果。可见，本发明通过标识各通道信号对融合结果的影响强弱和方向 的融合因子，既能够表示多通道信号彼此间的增强关系，也能够表示多通道信号彼此间的 削弱关系，从而提高了原有模型的描述能力和准确性，扩大了模型的应用范围。
[0050] 本发明所提供的基于多通道脉冲耦合神经网络模型的融合方法的另一种具体实 施方式的流程图如图2所示，当多通道PCNN用于信息融合时，每个神经元对应一个位置的 信号，该方法包括：
[0051] 步骤S201 :将各源图像同时输入扩展多通道PCNN的不同通道，获取输入多通道脉 冲耦合神经网络模型中神经元各通道的多个源信号；
[0052] 需要指出的是，这里所用的源图像都是经过配准预处理的，其拥有相同的分辨率 和像素灰度范围。
[0053] 步骤S202:通过P(i，j)位置处各通道的源信号"…，^:和P(i，j)邻 域内神经元上一时刻输出的脉冲信号Y[t-1]，将外部激励/j与Y[t-1]按公式 f/,;W= 4 +M?印-1]，计算得到所述神经元各通道的信号数据;并将各通道计算得到 的信号传输到下个单元。
[0054] 其中，t表示当前时刻，Μ表示上一时刻邻域输出Y的权值矩阵。
[0055] 步骤S203 :通过融合因子《对所述各通道的信号数据进行非线性融合，按照 η 公式％Μ= + + ，计算得到当前时刻的融合输出数据u1]; A：：=l
[0056]其中，〇u是水平因子，用来调整内部活动项的平均水平；％ >〇表明通道k信号 可正向增强位置P(i，j)的信号融合结果，表明通道k信号会反向削弱位置P(i，j)的 信号融合结果，<=〇表明通道k信号对位置P(i，j)的信号融合结果无影响；
[0057] 需要指出的是，融合因子^可以具体由专家制定或者根据预设计算模型计算得 到。
[0058] 步骤S204 :将所述融合输出数据与点火阈值E^进行比较；
[0059] 步骤S205:当所述融合输出数据大于所述点火阈值Eu时，所述神经元发放脉 冲，并保持发放脉冲状态；
[0060] 步骤S206:当所述融合输出数据小于或等于所述点火阈值Eu时，将脉冲发生 器关闭，并对所述点火阈值进行调节，直至所述神经元产生脉冲；
[0061] 其中，点火阈值E的初始值E[0]是一个绝对不会被触发的较大数值，当神经元未 发放脉冲时，E按指定衰减模型（如指数衰减）随时刻t递减，直至神经元产生脉冲。
[0062] 值得注意的是，在多通道PCNN融合模型中，每个神经元仅被点火一次。
[0063]
[0064] 步骤S207 :计算点火神经元在本次迭代后的总数Sum[t]=Sum[t_l]+Ct;
[0065] 步骤S208 :当所有位置对应的神经元均被点火一次时，即Sum[t]=Num(Num是图 像像素总数）时，所有神经元停止迭代融合，计算得到融合结果U[t]。
[0066] 步骤S209 :将融合结果U[t]进行标准化转换，F=Normal (U[t])。
[0067] 需要指出的是，Normal(·)可以是简单的线性变换函数，也可以是复杂的复合函 数，标准化转换后的F即为融合后的图像。标准化转换的目的是为了保证F位于合理的信 号取值区间。
[0068] 如图3传统m-PCNN的神经元模型的示意图以及图4本发明所提供的m-PCNN的神 经元模型的示意图所示，本发明的扩展模型与原m-PCNN的最大不同在于用融合因子λ取 代了加权因子β。加权因子β表示各通道信号对融合结果中的贡献权值，只能为非负数， 而融合因子λ表示各通道信号对融合结果的影响强弱和方向，<>0表明通道k信号可正 向增强融合结果，<<〇表明通道信号会反向削弱位置P(i，j)的信号融合结果，< 表 明通道k信号对位置P(i，j)的信号融合结果无影响。g的绝对值越大，通道k信号对位置P(i，j)的信号融合结果影响越强。
[0069] 本发明所提供的基于多通道脉冲耦合神经网络模型的融合装置的一种具体实施 方式的结构框图如图5所示，该装置包括：
[0070] 获取模块100,用于获取输入多通道脉冲耦合神经网络模型中神经元各通道的多 个源信号；
[0071] 第一计算模块200,用于通过所述多个源信号以及邻域内的神经元上一时刻输出 的脉冲信号，计算得到所述神经元各通道的信号数据；
[0072] 第二计算模块300,用于通过融合因子对所述各通道的信号数据进行非线性融合， 计算得到当前时刻的融合输出数据；所述融合因子用于标识各通道信号对融合结果的影响 强弱和方向；
[0073] 第三计算模块400,用于根据所述融合输出数据，计算得到融合结果。
[0074] 所述第一计算模块200具体用于：通过P(i，j)位置处各通道的源信号4，if，…,1； 和p(i，j)邻域内神经元上一时刻输出的脉冲信号Y[t-1]，将外部激励if与Y[t-1]按公式 = +M?叩-1]，计算得到所述神经元各通道的信号数据/? ;其中，t表示当前时亥|J，Μ表不上一时刻邻域输出Y的权值矩阵。
[0075] 上述第二计算模块300可以具体用于：通过融合因子f对所述各通道的信号数据 g进行非线性融合，按照公式+ 计算得到当前时刻的融合输出 数据u1];其中〇u是水平因子，用来调整内部活动项的平均水平；< >0表明通道k信号 可正向增强位置p(i，j)的信号融合结果，$<〇表明通道k信号会反向削弱位置p(i，j)的 信号融合结果，表明通道k信号对位置p(i