本发明属于图像分割领域，具体涉及一种基于spiking-som神经网络聚类的图像分割系统及方法。
背景技术
图像分割是图像分析、图像理解和计算机视觉的基础，是图像处理中的难点。越来越多的研究者将spiking神经网络应用于图像分割中，取得了丰硕的成果，spiking神经网络在图像分割中有不少应用方法实践，但存在分割速度不理想缺陷。
技术实现要素：
本发明的目的在于提供一种基于spiking-som神经网络聚类的图像分割系统及方法，以克服上述现有技术存在的缺陷，本发明将超像素分割与spiking神经网络相结合，能够对自然场景下的彩色图像进行有效分割，有助于改善分割效率和精度，本发明方法具有一定的潜在应用价值和先进性。
为达到上述目的，本发明采用如下技术方案：
一种基于spiking-som(spiking-selforganizingfeaturemap)神经网络聚类的图像分割系统，包括：目标图像输入模块，获取目标图像的rgb颜色空间值；图像预处理模块，采用中值滤波方法对原始目标图像进行图像去噪；超像素计算模块，通过slic算法(simplelineariterativeclustering)把预处理后图像分割成k个紧凑、近似均衡的不规则图像块(超像素)作为特征提取窗口，然后计算超像素内所有像素的rgb平均值作为超像素的颜色特征；spiking-som神经网络超像素聚类模块，选择k个if(integrate-and-fire)神经元构建spiking-som神经网络，基于计算超像素之间颜色特征的距离来构建网络的初始权值矩阵，并采用hebbian规则训练网络，网络训练结束后，根据神经元放电的同步与异步进行聚类；图像分割模块，计算同类的超像素的rgb平均值，并用其代替原来的超像素rgb值，重置图像矩阵后，得到图像分割结果。
进一步地，spiking-som神经网络超像素聚类模块包括：设计网络结构、初始化网络权值矩阵模块，采用k个if神经元组成spiking-som神经网络，该网络为单层单突触连接的spiking-som神经网络(如附图2)，每个神经元代表一个超像素，每个神经元与其z个最近邻(颜色特征的欧氏距离最近)连接起来。通过计算超像素之间颜色特征的欧氏距离并进行归一化，将超像素的颜色特征映射到神经网络的权值矩阵中，实现网络权值矩阵初始化；搭建if神经元模型模块，基于k个if神经元建立积分放电模型；学习规则模块：采用hebbian规则训练网络，根据停止训练准则
一种基于spiking-som神经网络聚类的图像分割方法，其特征在于，包括以下步骤：
步骤1：输入目标图像；
步骤2：采用中值滤波方法进行图像预处理；
步骤3：采用slic算法把预处理后图像分割成k个紧凑、并近似均衡的超像素作为特征提取窗口，计算超像素内的所有像素的rgb平均值作为超像素的颜色特征；
步骤4：采用spiking-som神经网络对超像素进行聚类；
步骤5：重置图像矩阵，得到图像分割结果。
进一步地，步骤1中所述的目标图像为彩色图像，读取图像在rgb颜色空间的值。
进一步地，步骤2中对采用中值滤波方法对图像进行去噪，m和m是选取的平滑窗口。
进一步地，步骤3中采用slic算法把目标图像分割成k个超像素方法为：
步骤3.1：将图像rgb颜色空间转换为cielab颜色空间；
步骤3.2：初始化种子点(聚类中心)：按照设定的超像素个数，在图像内均匀的分配种子点。假设图片总共有n个像素点，预分割为k个超像素，那么每个超像素的大小为n/k，则相邻种子点的距离(步长)近似为
步骤3.3：在种子点的n*n邻域内重新选择种子点，具体方法为：计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果；
步骤3.4：在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)，slic的搜索范围限制为bs*bs(b一般为2或者3)，可以加速算法收敛；
步骤3.5：距离度量，slic算法是利用颜色信息和空间信息来建立分割准则的，像素点描述为x＝[l,a,b,x,y]，其中[l,a,b]是像素在cielab颜色空间的颜色信息，[x,y]是像素点的空间坐标，对于每个搜索到的像素点，分别计算它和该种子点的距离。像素到种子点的颜色信息欧式距离为：
式中xi,l,a,b为像素点i在cielab颜色空间的值，xj,l,a,b为种子点j在cielab颜色空间的值
像素到种子点的空间欧式距离为：
像素到种子点的距离为：
dist＝dlab+λ*dxy
式中，dlab是像素点到种子点的颜色距离，dxy是像素点到种子点的空间距离，λ是空间位置距离的权。当λ越大时，空间信息在分割超像素时占的比重就越大，超像素形状就越趋于矩形，超像素的平均面积也就越均衡；
由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心；
步骤3.6：迭代优化，整幅图像扫描一遍之后，每个像素点都对应一个类标签，相同类标签的像素属于同一个类。对上一次划分的每一个类，求出每一个类的[l,a,b,x,y]均值，作为新的种子点，按照上述规则重新标记，当迭代一定次数之后，分类结果基本不发生改变即划分完成，迭代结束。
进一步地，步骤4中采用spiking-som神经网络对超像素图像进行聚类与分割方法为：
步骤4.1：构建spiking-som神经网络。设计网络结构、初始化网络权值矩阵和搭建if神经元模型；
步骤4.11：设计网络结构、初始化网络权值矩阵。采用k个if神经元组成spiking-som神经网络，该网络为单层单突触连接的spiking-som神经网络(如附图2)，每个神经元代表一个超像素，每个神经元与其z个最近邻(颜色特征的欧氏距离最近)连接起来。通过计算超像素之间颜色特征的欧氏距离并进行归一化，将超像素的颜色特征映射到神经网络的权值矩阵中，实现网络权值矩阵初始化。超像素颜色特征描述为x＝[r,g,b]，其中是[r,g,b]是超像素内的所有像素的rgb平均值；
神经元i和神经元j之间的欧氏距离计算为：
对于每一个神经元，确定z个最近邻(欧氏距离最小)，将每个神经元与其z个最近邻连接起来，神经元i和神经元j之间的初始连接权值wij由归一化函数计算为：
式中dij为神经元i和神经元j之间的欧式距离，d0为初始选定的一个与神经元i与j之间的平均距离成比例的局部参数，计算为：
式中
步骤4.12：搭建if神经元模型，由k个if神经元组成spiking-som神经网络，if神经元模型积分公式为：
式中i为输入电流，其中i＝iext+iint，iext为外部输入电流，它是恒定的阶跃函数，iint为来自所连接的神经元发出的脉冲电流，τm＝rc，r是if神经元模型电阻，c为电容，urest为静态电压；
当if神经元模型进行精确积分时，在t0时刻，给出一个初始膜电压ui(t0)，ti是神经元i的膜电压从ui(t0)到达阈值所需要的时间，计算为：
式中θ为if神经元膜电压阈值。
网络中下一个脉冲发生的时间可以被计算为：
tk＝mini{ti}
式中k指下一个发放脉冲的神经元，mini{ti}为神经元i的膜电压从ui(t0)到达阈值所需要的时间的最小值，i＝1,2...k，k为神经元数量；
然后所有神经元的膜电压将更新为：
式中t'为神经元k发放脉冲的时间，t'＝t0+tk；
如果神经元i的膜电压膜大于阈值θ时，神经元膜电压复位为：
ui(t')＝0
如果膜电压小于阈值，则膜电压更新为：
式中f(t')是在神经元i连接的所有在t'时刻发放脉冲的神经元，wij为神经元i和属于f(t')内的神经元j之间的连接权值。
步骤4.2：训练网络，采用hebbian学习规则进行网络训练，hebbian学习规则的机制决定了突触之间的权值变化，且该学习规则产生了一种自组织和自放大的机制，通过这种机制可将集群定义为同步放电神经元的集合。为了防止突触连接不受控制的增强，还定义了突触权值的衰减机制，这个机制可以防止弱连接的背景神经元聚类，并支持集群的出现，保持权值的平衡。是通过衰变定律来实现的。这里给出一个同步放电性判据，定义了时间窗τ；
如果两个神经元i和j发放脉冲的时间差小于τ，那就表示两个神经元是同步放电的，且i和j之间的连接权值加倍。同时定义了一个最大突触权值sm，wij＝min(sm,wij)，min(sm,wij)是sm与wij的最小值；
如果时间差大于τ，则神经元之间的连接权值就会衰减，衰减公式如下：
式中text是动作电位从静息电位0上升到阈值所需要的时间，τ＝text/4，text可以计算为：
网络初始化之后，根据以上描述的学习规则进行动态调整。当网络模拟停止时，集群中的权值将接近wij＝1，孤立的神经元的连接权值则接近于零。因此，同步放电集群就是同步放电的全部神经元集合。而一旦剩下有很少的在0到1之间的连接权值，就可以停止学习训练。在实践中，通过偶然的学习，一些权值量可以从[0→smin]到[smin→1]。而从长远来看，这可能会导致整个网络中产生不必要的连接权值。由此可见，在神经元集群的学习结束后，在单个神经元学习之前，停止学习过程是比较明智的。这可以通过观察突触权值的比率来实现。当rlearn＜0.3时，停止训练。rlearn计算为：
rlearn＝nlearn/n1
式中rlearn为网络权值矩阵中连接权值为1的数量与连接权值在0到1之间的数量的比例，nlearn为网络权值矩阵中连接权值在0到1之间的数量nlearn＝{wij|smin＜wij＜1}，n1为网络权值矩阵中连接权值为1的数量n1＝{wij|wij＝1}；
步骤4.3：神经元聚类，网络训练结束后，大多数突触的权值要么接近于零，要么接近于1，以此来表示训练中有一个强有力的自组织过程，为了在网络训练终止后识别集群，如果突触的连接权值小于阈值θ(阈值θ的选择在[0.6，0.9]之间对结果影响不大)，则此连接权值变为0，那么，认为所有突触的连接权值大于或等于阈值θ也就是连接权值不为0时，认为此突触前后两个神经元同步放电，同步放电的神经元聚为一类，不同步的异类，则所有同步放电的神经元连接起来组成若干集群，如果将集群分别用类别来表示，就完成了神经元聚类，也就是超像素聚类；
进一步地，步骤5中重置图像矩阵，得到图像分割结果，计算同类的超像素的rgb平均值，并用其代替原来的超像素rgb值，重置图像矩阵后，得到图像分割结果。
与现有技术相比，本发明具有以下有益的技术效果：
本发明系统通过设置超像素计算模块，对将去噪后图像分割成k个超像素作为特征提取窗口，然后计算超像素内所有像素的rgb平均值作为超像素的颜色特征，另外通过设置spiking-som神经网络超像素聚类模块对超像素进行聚类，结合了超像素计算、spiking-som神经网络在分割速度和分割精度两方面的综合优势，能够对自然场景下的彩色图像进行有效分割，具有一定的潜在应用价值和先进性。
本发明提供一种基于spiking-som神经网络聚类的图像分割方法，具有超像素计算、spiking-som神经网络图像分割方法在分割速度和分割精度两方面的综合优势。通过slic计算超像素来提取特征窗口，有效提高了运算速度和分割准确度；通过spiking神经网络对超像素进行聚类，根据网络训练停止后神经元放电的同步与异步进行聚类，进而完成图像分割，为spiking神经网络在图像分割领域的应用具有方法论研究价值和现实意义。
附图说明
图1是本发明的流程示意图；
图2是本发明的spiking-som神经网络结构示意图；
图3是本发明的spiking-som神经网络聚类算法过程示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
参见图1至图3，一种基于spiking-som神经网络聚类的图像分割系统，包括：目标图像输入模块；图像预处理模块；超像素计算模块；spiking-som神经网络超像素图像聚类与分割模块；图像分割模块。
目标图像输入模块读取目标图像的rgb颜色空间值：读取rgb彩色图像，读取结果直接供后续的图像预处理模块使用；
图像预处理模块将目标图像采用中值滤波方法进行去噪，选取平滑窗口为3*3；
超像素计算模块将去噪后的图像通过slic算法分割为k＝300个紧凑、并近似均衡的超像素，计算超像素内的所有像素的rgb平均值作为超像素的颜色特征：首先，将图像转换为cielab颜色空间；接着，初始化种子点，在图像内均匀的分配k＝300个种子点，得到相邻种子点的步长近似为
spiking-som神经网络超像素聚类模块对超像素进行聚类，根据网络训练结束后神经元放电的同步与异步进行聚类，进而完成图像分割：首先，设计网络结构、初始化网络权值矩阵模块，采用k＝300个if神经元组成spiking-som神经网络，该网络为单层单突触连接的spiking-som神经网络(如附图2)，每个if神经元代表一个超像素。通过计算两个if神经元之间的欧氏距离
图像分割模块计算同类的超像素的rgb平均值，并用其代替原来的超像素rgb值，重置图像矩阵后，得到图像分割结果。
一种基于spiking-som神经网络聚类的图像分割方法，包括以下步骤：
1)、首先，输入目标图像。读取目标图像在rgb颜色空间的值。
2)、采用中值滤波方法进行图像去噪。选取3*3的平滑窗口。
3)、采用slic算法把预处理后图像分割为k＝300个紧凑、并近似均衡的超像素。计算超像素内的所有像素的rgb平均值作为超像素的颜色特征。具体地，
3.1、首先，将图像rgb颜色空间转换为cielab颜色空间。
3.2、初始化种子点。在图像内均匀的分配k＝300个种子点。图片总共有n个像素点，预分割为k＝300个超像素，那么每个超像素的大小为n/300，则相邻种子点步长近似为
3.3、在种子点的3*3邻域内重新选择种子点。计算该邻域内所有像素点的梯度值，将种子点移到该邻域内梯度最小的地方。目的是为了避免种子点落在梯度较大的轮廓边界上，以免影响后续聚类效果。
3.4、在每个种子点周围的邻域内为每个像素点分配类标签(即属于哪个聚类中心)，slic的搜索范围限制为2s*2s，可以加速算法收敛。
3.5、像素到种子点的距离计算。slic算法是利用颜色信息和空间信息来建立分割准则的，像素点描述为x＝[l,a,b,x,y]，其中[l,a,b]是像素在cielab颜色空间的颜色信息，[x,y]是像素点的空间坐标，对于每个搜索到的像素点，分别计算它和该种子点的距离。像素到种子点的颜色信息欧式距离为：
式中xi,l,a,b为像素点i在cielab颜色空间的值，xj,l,a,b为种子点j在cielab颜色空间的值；
像素到种子点的空间欧式距离为：
像素到种子点的距离为：
dist＝dlab+λ*dxy
式中，dlab是像素点到种子点的颜色距离，dxy是像素点到种子点的空间距离，λ是空间位置距离的权。
由于每个像素点都会被多个种子点搜索到，所以每个像素点都会有一个与周围种子点的距离，取最小值对应的种子点作为该像素点的聚类中心。
3.6、迭代优化。整幅图像扫描一遍之后，每个像素点都对应一个类标签，相同类标签的像素属于同一个类。对上一次划分的每一个类，求出每一个类的[l,a,b,x,y]均值，作为新的种子点，按照上述规则重新标记，当迭代一定次数之后，分类结果基本不发生改变即划分完成，迭代结束。
4)、采用spiking-som神经网络对超像素进行聚类。聚类过程如图3所示，依次通过设计网络结构、初始化网络权值矩阵模块、搭建if神经元模块、学习规则模块和神经元聚类模块等4个子模块。
4.1、设计网络结构、初始化网络权值矩阵模块。采用k＝300个spike神经元组成spiking-som神经网络，该网络为单层单突触连接的spiking-som神经网络(如附图2)，每个神经元代表一个超像素，每个神经元与其z＝7个最近邻(颜色特征的欧氏距离最近)连接起来。通过计算超像素之间颜色特征的欧氏距离并进行归一化，将超像素的颜色特征映射到神经网络的权值矩阵中，实现网络权值矩阵初始化。超像素颜色特征描述为x＝[r,g,b]，其中是[r,g,b]是超像素内的所有像素的rgb平均值；
神经元i和神经元j之间的欧氏距离计算为：
对于每一个神经元，确定z＝7个最近邻(欧氏距离最小)，将每个神经元与其z＝7个最近邻连接起来，神经元i和神经元j之间的初始连接权值wij计算为：
式中d0为初始选定的一个与神经元i与j之间的平均距离成比例的局部参数，计算为：
式中
4.2、搭建if神经元模型模块。由k个if神经元组成spiking-som神经网络，if神经元模型积分公式为：
式中i为输入电流，其中i＝iext+iint，iext为外部输入电流，iext＝25，iint为来自所连接的神经元发出的脉冲电流，τm＝rc，urest＝0，θ＝16，rc＝8，r＝1；
当if神经元模型进行精确积分时，在t0时刻，给出一个初始膜电压ui(t0)，ti是神经元i的膜电压从ui(t0)到达阈值所需要的时间，计算为：
式中θ为if神经元膜电压阈值θ＝16；
网络中下一个脉冲发生的时间可以被计算为：
tk＝mini{ti}
式中k指下一个发放脉冲的神经元，mini{ti}为神经元i的膜电压从ui(t0)到达阈值所需要的时间的最小值，i＝1,2...k，k为神经元数量；
然后所有神经元的膜电压将更新为：
式中t'为神经元k发放脉冲的时间，t'＝t0+tk；
如果神经元i的膜电压膜大于阈值θ时，神经元膜电压复位为：
ui(t')＝0
如果膜电压小于阈值，则膜电压更新为：
式中f(t')是在神经元i连接的所有在t'时刻发放脉冲的神经元，wij为神经元i和属于f(t')内的神经元j之间的连接权值。
4.3、学习规则模块。采用hebbian学习规则进行网络训练，hebbian学习规则的机制决定了突触之间的权值变化，且该学习规则产生了一种自组织和自放大的机制，通过这种机制可将集群定义为同步放电神经元的集合。为了防止突触连接不受控制的增强，还定义了突触权值的衰减机制，这个机制可以防止弱连接的背景神经元聚类，并支持集群的出现，保持权值的平衡，是通过衰变定律来实现的。这里给出一个同步放电性判据，定义了时间窗τ；
如果两个神经元i和j发放脉冲的时间差小于τ，那就表示两个神经元是同步放电的，且i和j之间的连接权值加倍。同时定义了一个最大突触权值sm＝1，wij＝min(sm,wij)，min(sm,wij)是sm与wij的最小值；
如果时间差大于τ，则神经元之间的连接权值就会衰减，衰减公式如下：
式中text是动作电位从静息电位0上升到阈值所需要的时间，τ＝text/4，text可以计算为：
网络初始化之后，根据以上描述的学习规则进行动态调整。当网络模拟停止时，集群中的权值将接近wij＝1，孤立的神经元的连接权值则接近于零。因此，同步放电集群就是同步放电的所有神经元集合。而一旦剩下有很少的在0到1之间的连接权值，就可以停止学习训练。在实践中，通过偶然的学习，一些权值可以从[0→smin]到[smin→1]，smin是网络权值矩阵中的最小值。而从长远来看，这可能会导致整个网络中产生不必要的连接权值。由此可见，在神经元集群的学习结束后，在单个神经元学习之前，停止学习过程是比较明智的。这可以通过观察突触权值的比率来实现。当rlearn＜0.3时，停止训练。rlearn计算为：
rlearn＝nlearn/n1
式中rlearn为网络权值矩阵中连接权值为1的数量与连接权值在0到1之间的数量的比例，nlearn为网络权值矩阵中连接权值在0到1之间的数量nlearn＝{wij|smin＜wij＜1}，n1为网络权值矩阵中连接权值为1的数量n1＝{wij|wij＝1}；
步骤4.4：神经元聚类模块，网络训练结束后，如果突触的连接权值小于阈值θ＝0.8，则此连接权值变为0，那么，认为所有突触的连接权值大于或等于阈值θ＝0.8也就是连接权值不为0时，认为此突触前后两个神经元同步放电，同步放电的神经元聚为一类，不同步的异类，则所有同步放电的神经元连接起来组成若干集群，如果将集群分别用类别来表示，就完成了神经元聚类，也就是超像素聚类；
5)、重置图像矩阵，得到图像分割结果。计算同类的超像素的rgb平均值，并用其代替原来的超像素rgb值，重置图像矩阵后，得到图像分割结果。
下面结合实例对本发明做进一步详细说明：
一种基于spiking-som神经网络聚类的图像分割方法，如图1所示，包括以下步骤:
1)、首先，输入目标图像。目标图像输入模块读取像素500×300的彩色图像，获得图像rgb颜色空间值。
2)、采用中值滤波方法进行图像去噪。选取平滑窗口为3*3。
3)、采用slic算法把预处理后图像分割成k＝300个高质量、连续并近似均衡的超像素，计算超像素内的所有像素的rgb平均值作为超像素的颜色特征。首先，初始化k＝300个均匀分布的种子点；在3*3邻域内重新选择种子点；对每个种子点2s×2s范围内为每个像素分配类标签；计算像素到种子点的距离dist＝dlab+λ*dxy，λ＝20；迭代优化，整幅图像扫描一遍之后，每个像素点都对应一个类标签，相同类标签的像素属于同一个类。对上一次划分的每一个类，求出每一个类的[l,a,b,x,y]均值，作为新的种子点，按照上述规则重新标记，当分类结果基本不改变时迭代结束。
4)、采用spiking-som神经网络对超像素进行聚类。首先，设计网络结构、初始化网络权值矩阵模块，采用k＝300个if神经元组成spiking-som神经网络，该网络为单层单突触连接的spiking-som神经网络(如附图2)，每个if神经元代表一个超像素。通过计算两个if神经元之间的欧氏距离
5)、重置图像矩阵，得到图像分割结果。将每一类超像素用一种颜色代替，然后重置图像矩阵。
6)、测试评价方法的性能。将实验图像通过图像输入模块读入，依次经过图像预处理、超像素计算、spiking-som神经网络超像素图像聚类与分割等功能模块，得到图像分割结果，采用峰值信噪比psnr评价方法性能，越大的psnr值则表明分割失真率越低，代表图像分割效果越好，当psnr>30时则表明算法的分割效果较为理想。
实施效果
采用100幅500×300的berkeleysegmentationdadabase(bsd)segbench数据库中图像分别进行图像分割。结果表明，对其数据库中自然场景图像进行分割时，峰值信噪比最低为29.76，最高为32.06，平均值为31.12，平均每幅图像分割时间为21.36s。由于采用slic算法计算超像素、spiking-som神经网络聚类组合方法，综合了各方法典型优势，该方法能够对其数据库中彩色图像进行有效分割，为spiking神经网络在图像分割上的应用提供了一种有效的方案。