一种基于Spiking-卷积网络模型的图像边缘检测方法
【技术领域】
[0001] 一种基于Spiking-卷积网络模型的图像边缘检测方法，应用于图像预处理、特征 提取、边缘检测，涉及神经网络，机器学习，De印Learning，属于图像处理等技术领域。
【背景技术】
[0002] 在实际的图像处理问题中，图像的边缘图作为图像的一种基本特征，被经常应用 到较高层次的特征描述、图像识别、图像分割、图像增强以及图像压缩等的图像处理和分析 技术中，从而可对图像作进一步的分析和理解。它在图像识别，图像分割，图像增强以及图 像压缩等的领域中有较为广泛的应用，也是它们的基础。
[0003] 图像边缘是图像最基本的特征之一，往往携带着一幅图像的大部分信息。而边缘 存在于图像的不规则结构和不平稳现象中，也即存在于信号的奇异点或突变点处，这些点 给出了图像轮廓的位置，这些轮廓则常常是我们在图像处理时所需要的非常重要的一些特 征条件，这就需要我们对一幅图像检测和提取出它的边缘图像。而边缘检测算法则是图像 处理问题中的经典技术难题之一，它的解决对于我们进行高层次的特征描述、识别和理解 等有着重大的影响；又由于边缘检测在许多方面都有着非常重要的实用价值，所以人们一 直在致力于研宄和解决如何构造出具有良好性质及效果好的边缘检测算子的问题。在通常 情况下，我们可将信号中的奇异点或突变点认为是图像中的边缘点，其附近灰度的变化情 况可从它相邻象素灰度分布的梯度来反映。
[0004] 边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将 边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分 布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检 测方法，是对原始图像中像素的某小邻域来构造边缘检测算子。
[0005] 被誉为"第三代神经网络模型"的Spiking神经网络，是能够有效模拟生物神经 元之间信息随时间连续传递的动力系统。该模型采用时间编码方式组织信息，可以模拟真 实生物中的编码机制，采用脉冲发放的精确时间进行编码，比传统神经网络的脉冲发放频 率对信息编码方式更接近实际生物神经系统，无论是处理能力和计算速度都得到了巨大提 升。研宄表明，Spiking神经元本身就具备对外部输入信息的非线性处理能力，相比前两代 人工神经网络，Spiking具备更强的计算能力。Spiking神经元模型在生物、神经等学科中 有较多的研宄，而在工程领域的应用尚处于起步阶段。
[0006] DeepLearning是机器学习领域中的一个新的研宄热点，能有效模仿生物大脑空 间层次结构来解释数据处理流程。由于其适应大数据时代的背景，且成功的应用于语义、图 像等领域，使得沉积多年的卷积神经网络再次掀起了智能领域新一轮研宄浪潮。作为机器 学习的前沿领域，De印Learning模拟了生物神经系统不断迭代抽象的认知和学习过程，为 优化神经计算模型提供了更加合理的神经生物学依据。但由于卷积神经网络仅仅模拟生物 神经系统的空间层次结构，缺乏对时间特征的解释，依旧是采用离散化的方式进行处理，所 以尚未从根本上解决时序分析问题，仍存在巨大的改进空间。
[0007] 神经网络是一种多种学科交叉的研宄课题，随着应用技术的不断深入及应用范围 的不断扩展，它被用来解决很多传统科学解决不了的难题，为人们学习世界、发现未知范 畴、增强现代科学科研水平、从而以科技带动生产力、增大人民经济发展幅度带来了积极的 影响，已成为科学领域方向国际公认的尖端前沿课题。对Spiking神经网络的探索，是推动 神经网络技术应用的重要环节，具有极高的实际工程应用价值。
【发明内容】
[0008] 本发明针对现有技术的不足之处提供了一种基于Spiking-卷积网络模型的图 像边缘检测方法，可以模拟生物神经系统的空间层次结构和时间特征的解释特点，采用 Spiking生物机制进行处理，能够有效捕获时空信息，比现有技术更具仿生性和时空特性， 从而图像的边缘可以应用于较高层次的特征描述中。
[0009] 为了实现上述目的，本发明采用的技术方案为：
[0010] 一种基于Spiking-卷积网络模型的图像边缘检测方法，其特征在于，如下步骤：
[0011] (1)基于视觉分层结构的信息处理连接方式，构建有输入层、Spiking-卷积层和 输出层的卷积结构的Spiking-卷积网络模型；
[0012] (2)将构建好的卷积结构的Spiking-卷积网络模型，运用拉普拉斯高斯算子 (LOG)和高斯差分算子（D0G)分别作为Spiking-卷积层的滤波器，形成基于算子的 Spiking-卷积算法；
[0013] (3)获取图像，将图像灰度值像素编码为Spiking神经元，作为Spiking-卷积网 络模型的输入层；
[0014] (4)将基于算子的Spiking-卷积算法运用于Spiking-卷积网络模型，对输入层 采取脉冲卷积，然后再根据Spiking阈值点火模型，重构输出图像的边缘。
[0015] 进一步，所述步骤（1)中，构建有输入层、Spiking-卷积层和输出层的卷积结构的 Spiking-卷积网络模型的具体步骤如下：
[0016] (11)建立一个"输入层_Spiking-卷积层-输出层"模式的3层Spiking-卷积 神经网络结构；
[0017] (12)根据Spiking-卷积网络结构和二维图像的数据特征，设定一个和预处理图 像相同维度的二维矩阵，并使得每个像素点--映射到Spiking-卷积神经网络结构中的 输入层；
[0018] (13)在Spiking-卷积网络结构中，模拟生物的视觉系统，仿真感受野的功能，即 将Spiking-卷积神经网络结构中的输入层到Spiking-卷积神经网络结构中的Spiking-卷积层的连接方式降低为分区域连接，得到了Spiking神经脉冲的卷积稀疏连接方式；
[0019] (14)得到了Spiking神经脉冲的卷积稀疏连接方式后，再对Spiking-卷积神经 网络结构中Spiking-卷积层的每个感受野采用权值共享，在所有感受野上采用的权值都 是相同的，即每一个Spiking-卷积层的滤波器可重复地作用于每个区域中，对输入信号 进行卷积的结果构成了输入信号特征，从而提取出信号的局部特征，每一个Spiking-卷 积层的滤波器都是相同的，即共享相同的参数，包括相同的权值矩阵和偏置项，最终产生 Spiking-卷积网络模型。
[0020] 进一步，所述步骤（2)中，运用拉普拉斯高斯算子（LOG)和高斯差分算子（D0G)分 别作为Spiking-卷积层的滤波器，形成基于算子的Spiking-卷积算法的具体步骤如下：
[0021] (21)根据拉普拉斯高斯算子（LOG)函数，将拉普拉斯高斯算子（LOG)函数形式转 化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的同等效应；
[0022] (22)根据高斯差分算子（D0G)函数，将高斯差分算子（D0G)函数形式转化为与卷 积核大小相同的梯度模板，并且具有高斯差分滤波器的同等效应；
[0023] (23)将步骤（21)和步骤（22)中的梯度模板，作为Spiking-卷积网络模型中的卷 积核，以相同的模板重复作用于每个感受野区域，形成基于算子的Spiking-卷积算法。
[0024] 进一步，所述步骤（21)中，根据拉普拉斯高斯算子（LOG)函数，将拉普拉斯高斯算 子（LOG)函数形式转化为与卷积核大小相同的梯度模板，并且具有拉普拉斯高斯滤波器的 同等效应的具体步骤为：
[0025] (211)先用高斯函数对图像进行平滑滤波；
[0026] (212)将进行平滑滤波后的图像进行Laplace运算；
[0027] (213)将进行Laplace运算后等于零的点作为边缘点。
[0028] 进一步，所述步骤（3)中，将图像灰度值像素编码为Spiking神经元，作为 Spiking-卷积网络模型的输入层的具体步骤如下：
[0029] (31)将输入图像的像素点，进行图像灰度化处理，像素值范围限定在[0, 255]区 间内；
[0030] (32)对图像的每个灰度值进行Spiking延时编码操作，采用T= [0, 255]的时间 窗口，采用公式tj=T-cXxj，T表示时间窗口，c表示时间常数，Xj表示输入原图像灰度值， tj表示编码后的点火时间，由灰度值求出具体Spikin