一种基于Spiking神经网络的图像分割方法与流程

本发明属于图像处理方法技术领域，具体涉及应用于图像预处理、特征提取、spiking神经网络编码的一种基于spiking神经网络的图像分割方法。

背景技术

图像分割是自动图像分析中最关键的环节之一，其目标可以被看作是找寻图像中存在的物体。图像分割是指将图像细分成若干个组成部分并提取出感兴趣部分关键信息的技术。图像分割的好坏，直接影响了后续特征提取、图像识别、目标检测等任务的效果。

虽然图像分割一直受到研究人员的广泛关注，但迄今为止仍不存在一种通用的分割方法，也没有制订出一种通用的分割算法评判标准。这些都给图像分割技术的应用带来了不小的阻碍。近年来，现代数学和物理技术的成功实现大大提高了分割的准确性。研究人员提出了许多有效的算法来辅助计算机分割图像，这些算法可以分为几种类别：基于阈值的算法，基于聚类的算法，基于边缘检测的算法，基于区域提取的算法，基于模式识别技术的算法和基于可变形模型的算法。

与此同时，人工神经网络已经成为计算机科学中一个相当著名的技术。spiking神经网络作为第三代神经网络，从大脑的自然计算和神经科学的最新成果中获得了高度的灵感，能够解决与生物刺激有关的问题。网络通过对神经元之间脉冲发放的精确时间来建模，独特的时间编码机制使得其对外部输入信息的处理、神经元模型、突触规则等与前两代人工神经网络大有不同。spiking神经网络克服了由阈值或s型单元构成的神经网络的计算能力的不足。基于动态事件驱动的处理技术，为开发具有指数记忆能力和快速适应能力的模型开辟了新的视野。此外，spiking神经网络还为网络的表示能力和处理能力增加了一个新的维度，即时间轴。对spiking神经网络的研究是脑科学、神经科学、认知科学共同关注的核心问题，是一流的学术问题，同时具有极高的实际工程应用价值。

本发明使用计算机视觉和神经网络等技术进行空间和时间的特征提取，设计普适性更高的特征提取方法，以及图像处理技术，在以前已有的方法之上继续解决复杂环境中的图像分割和识别中的难题。基于spiking神经网络的图像分割方法研究，融合生物机制，愈发深入的使用了认知科学和神经计算科学来以此对生物大脑进行仿真建模，融合了多学科交织的前沿性课题，拥有极高的研究价值。

技术实现要素：

本发明的目的在于：解决现有图像分割方法在复杂环境中的图像分割和识别十分困难，提供基于spiking神经网络，能够快速，准确地完成复杂环境中的图像分割和识别的一种基于spiking神经网络的图像分割方法。

本发明采用的技术方案如下：

一种基于spiking神经网络的图像分割方法，步骤如下：

步骤(1)、基于视觉皮层中存在着的多个感受野结构，自动地搜索输入的图像内在的规律和本质属性，初步动态构建输入层-隐藏层-输出层模式的spiking神经网络结构；

步骤(2)、获取输入的图像，将图像等分成小区域，选择每个小区域内梯度最小的点作为构建的spiking神经网络输入的初始点；

步骤(3)、根据图像中相邻像素点的差异，计算欧几里得距离，构建spiking神经网络权重；

步骤(4)、基于经过前面3个步骤动态生成的spiking神经网络，根据spiking阈值点火模型和竞争方式，输出图像的分割结果。

进一步，所述步骤(1)具体为：

步骤(11)、建立一个输入层-隐藏层-输出层模式的spiking神经网络结构，spiking神经网络中的神经元都采用spiking神经元机制；

步骤(12)、在步骤(11)建立的spiking神经网络中的仿真视觉皮层中有多个大小不同的感受野结构，自动地搜索输入的图像内在的规律和本质属性，初步动态构建输入层-隐藏层-输出层模式的spiking神经网络结构。

进一步，所述步骤(11)中spiking神经元机制具体为：每个输入神经元被当作一个独立的子网络，隐藏层中每个神经元代表需要聚合的区域，脉冲点火机制将隐藏层的神经元连接到输出神经元。

进一步，所述步骤(2)具体为：

步骤(21)、获取输入的图像，将输入的图像的像素点从rgb颜色空间转移到lab颜色空间；

步骤(22)、将步骤(21)得到的图像等分成相同尺寸的小区域；

步骤(23)、计算并比较所得到小区域内像素i与其相邻像素j之间的梯度gra，选取梯度最小的点作为输入的初始点；

步骤(24)、将步骤(23)得到的初始点作为步骤(1)得到的spiking神经网络输入层的输入神经元。

进一步，所述步骤(23)中梯度gra计算公式为：gra＝(li-lj)²+(ai-aj)²+(bi-bj)²，gra是像素i和像素j之间的梯度，l，a，b分别是lab颜色空间三个通道中的像素数。

进一步，所述步骤(3)具体为：

步骤(31)、在rgb颜色空间中使用欧几里得距离dr表示图像中相邻像素之间的不相似度，dr＝(ri-rj)²+(gi-gj)²+(bi-bj)²，其中i和j是相邻像素，r，g，b分别是rgb颜色空间的三个通道中的像素值；

步骤(32)、根据得到的dr构建spiking神经网络权重。

进一步，所述步骤(32)中构建spiking神经网络权重的方法为：或其中的一种，其中α，β，γ1，γ2都是常数。

进一步，所述步骤(4)具体为：

步骤(41)、在经过前面步骤(1)、(2)、(3)动态生成的spiking神经网络的输入层中，根据阈值点火模型srm，模拟生物大脑神经元的模电压曲线状态，并根据步骤(3)得到的spiking神经网络权重的取值范围设定对应的阈值θ；

步骤(42)、神经元的膜电位ui超过阈值θ时激活点火并发射脉冲，运用spiking神经元脉冲精确时间处理机制，将神经元的脉冲点火时间作为分割图像的结果表示，记录下从spiking神经网络输入的初始点开始在设定时间范围内，依次激活的神经元的集合；

步骤(43)、将每个初始点与其激活的神经元集合构成一个子网络，即一个分割区域，当多个子网络同时抢夺同一个节点时，可能会发生冲突，采用竞争方式解决发生的冲突，即先激活该节点的子网络就是胜利者，胜利者将吞并该节点；

步骤(44)、对spiking神经网络的输出层图像中每个子网络的边界标红，即获得图像分割的结果。

进一步，所述步骤(41)在阈值点火模型srm模型中，神经元i仅由其膜电位ui表示，如果没有突触前脉冲信号，膜电位将维持在静息电位，假设神经元i的最近一次点火时间是那么spiking神经元在t时刻的膜电压表示为其中代表了静息电位，w代表突触前神经元与突触后神经元之间的突触强度，脉冲响应函数ε刻画了ui对突触前脉冲的响应，ε公式为其中τ是时间常数，本方法忽略静息电位的作用，即设定

进一步，所述步骤(42)中定义神经元i的脉冲输出时间为并且其中上标f表示神经元产生的脉冲个数，并用ui表示神经元i的膜电压大小，当ui的值到达并大于阈值时，该神经元即刻产生一个脉冲，如果在设定时间范围内，神经元最大的电压值并没有到达阈值时，记录其spiking神经元的点火时间为0。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，传统的图像分割算法根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性，本算法有感于视觉皮层中存在着多个大小各异的感受野，得到分割小区域是通过spiking神经网络自动搜索图片内在的规律和本质属性，而不是直接使用图像信息。这种分割方法与生物机制紧密结合，子网络形态多样性来自视觉皮层存在多个大小各异的感受野，点火机制来自神经元的传递信息方式，为生成具有生物可解释性的超像素区域提供了一个新的视角，对快速准确地完成复杂环境中的图像分割和识别有极大的帮助；

2、本发明中，通过自动地搜索图片内在的规律和本质属性，优化网络构建方式，提高了计算速度；

3、本发明中，利用spiking神经网络在时序处理上的优势，模拟视觉皮层信息处理功能，进行抽象分层特征提取；

4、本发明中，通过构建较浅的3层输入层-隐藏层-输出层模式的spiking神经网络架构，增强计算模型的运算能力；

5、本发明中，通过将输入图像转化为spiking神经元脉冲点火时间序列，极大地提升了网络处理非线性数据的水平；

6、本发明中，将每一个神经元的权重与周围神经元的像素值联系起来，通过相邻神经元的像素值差异，构建网络权重，从而降低权重复杂度；

7、本发明中，通过对spiking神经网络权重取值范围设定对应的阈值来限制权重的取值范围，能够降低计算成本加快点火进程；

8、本发明中，采用spiking阈值点火模型进行建模，极大地模拟了生物神经元机制，能够捕获图像其最本质的数据特征；

9、本发明中，有机的结合了spiking神经网络在时序处理上的优势，将最终神经元脉冲点火序列转化为最后的图像分割区域，具体提出了一种更具有生物可解释性的基于spiking神经网络的图像分割技术，显示了spiking神经网络在图像处理应用领域的价值。

附图说明

图1为本发明的方法流程示意图；

图2为本发明的整体流程示意图：

图3为本发明中整体使用的spiking神经网络结构图；

图4为本发明spiking神经元阈值点火模型示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种基于spiking神经网络的图像分割方法，步骤如下：

步骤(1)、基于视觉皮层中存在着的多个感受野结构，自动地搜索输入的图像内在的规律和本质属性，初步动态构建输入层-隐藏层-输出层模式的spiking神经网络结构。具体为：

步骤(11)、建立一个输入层-隐藏层-输出层模式的spiking神经网络结构，spiking神经网络中的神经元都采用spiking神经元机制，所述spiking神经元机制具体为：每个输入神经元被当作一个独立的子网络，隐藏层中每个神经元代表需要聚合的区域，脉冲点火机制将隐藏层的神经元连接到输出神经元；

步骤(12)、在步骤(11)建立的spiking神经网络中的仿真视觉皮层中有多个大小不同的感受野结构，自动地搜索输入的图像内在的规律和本质属性，初步动态构建输入层-隐藏层-输出层模式的spiking神经网络结构。

步骤(2)、获取输入的图像，将图像等分成小区域，选择每个小区域内梯度最小的点作为构建的spiking神经网络输入的初始点。具体为：

步骤(21)、获取输入的图像，将输入的图像的像素点从rgb颜色空间转移到lab颜色空间，lab颜色空间中的l分量用于表示从纯黑到纯白的像素亮度，取值范围是[0，100]；a表示从红色到绿色的范围，取值范围是[127，-128]；b表示从黄色到蓝色的范围，取值范围是[127，-128]；

步骤(22)、将步骤(21)得到的图像等分成相同尺寸的小区域，可将图像等分为10*10的小区域；

步骤(23)、计算并比较所得到小区域内像素i与其相邻像素j之间的梯度gra，选取梯度最小的点作为初始点；

步骤(24)、将步骤(23)得到的初始点作为步骤(1)得到的spiking神经网络输入层的输入神经元。

所述步骤(23)中梯度gra计算公式为：gra＝(li-lj)²+(ai-aj)²+(bi-bj)²，gra是像素i和像素j之间的梯度，l，a，b分别是lab颜色空间三个通道中的像素数。

步骤(3)、根据图像中相邻像素点的差异，计算欧几里得距离，构建spiking神经网络权重。具体为：

步骤(31)、在rgb颜色空间中使用欧几里得距离dr表示图像中相邻像素之间的不相似度，dr＝(ri-rj)²+(gi-6j)²+(bi-bj)²，其中i和j是相邻像素，r，g，b分别是rgb颜色空间的三个通道中的像素值。

步骤(32)、根据得到的dr构建spiking神经网络权重。

进一步，所述步骤(32)中构建spiking神经网络权重的方法为：或其中的一种，其中α，β，γ1，γ2都是常数，各参数设置为α＝1，β＝0.25，γ1＝5，γ2＝1.8。

步骤(4)、基于经过前面3个步骤动态生成的spiking神经网络，根据spiking阈值点火模型和竞争方式，输出图像的分割结果。具体为：

步骤(41)、在经过前面步骤(1)、(2)、(3)动态生成的spiking神经网络的输入层中，根据阈值点火模型srm，模拟生物大脑神经元的模电压曲线状态，并根据步骤(3)得到的spiking神经网络权重的取值范围设定对应的阈值θ。

步骤(42)、神经元的膜电位ui超过阈值θ时激活点火并发射脉冲，运用spiking神经元脉冲精确时间处理机制，将神经元的脉冲点火时间作为分割图像的结果表示，记录下从spiking神经网络输入的初始点开始在设定时间范围内，依次激活的神经元的集合。

步骤(43)、将每个初始点与其激活的神经元集合构成一个子网络，即一个分割区域，当多个子网络同时抢夺同一个节点时，可能会发生冲突，采用竞争方式解决发生的冲突，即先激活该节点的子网络就是胜利者，胜利者将吞并该节点。

步骤(44)、对spiking神经网络的输出层图像中每个子网络的边界标红，即获得图像分割的结果。

优选的，所述步骤(41)在阈值点火模型srm模型中，神经元i仅由其膜电位ui表示，如果没有突触前脉冲信号，膜电位将维持在静息电位，假设神经元i的最近一次点火时间是那么spiking神经元在t时刻的膜电压表示为其中代表了静息电位，w代表突触前神经元与突触后神经元之间的突触强度，脉冲响应函数ε刻画了ui对突触前脉冲的响应，ε公式为其中τ是时间常数，本方法忽略静息电位的作用，即设定阈值点火模型在本发明中的各参数设置为：时间常数τ＝4ms，最大时间范围tmax＝10s，点火阈值θ＝10mv。

优选的，所述步骤(42)中定义神经元i的脉冲输出时间为并且其中上标f表示神经元产生的脉冲个数，并用ui表示神经元i的膜电压大小，当ui的值到达并大于阈值时，该神经元即刻产生一个脉冲，如果在设定时间范围内，神经元最大的电压值并没有到达阈值时，记录其spiking神经元的点火时间为0。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。