1 簡介

脈沖耦合神經網絡（PCNN——Pulse Coupled Neural Network）,由于其非常接近人類大腦的生物神經網絡的特性，現已廣泛應用在圖像處理中，是一種重要的信息處理工具，具有優良的自適應圖像分割和自適應特征提取能力。盡管PCNN?輸出脈沖序列具有旋轉、尺度、平移、扭曲等畸變不變性，同時還包含了原始激勵的邊緣、紋理、區域等信息，但如果目標有細微差別，PCNN?往往不能很好識別。本文有機的運用了PCNN的自適應特征提取能力結合體視學的研究提出了一種計算中藥材顯微圖像目標二相面積的方法，然后從Hu矩不變矩特征方面入手應用算法得出了中藥材顯微圖像的七種不變矩特征。中藥材顯微圖像特征提取對中藥材的識別具有重要意義。

1990年，由Eckhorn等人提出并且發起的對貓等哺乳動物的視覺皮層神經元脈沖振蕩（同步振蕩）現象的研究[]促使了脈沖耦合神經網絡（PCNN—Pulse Coupled Neural Network）的初步形成和迅速發展。Eckhorn發現刺激神經元輸入會引起視覺皮層的不同區域出現此種現象，然而這些區域的這種局部特性卻具有相似性。因此，他認為視覺系統中存在某種機制，能夠將局部性質聯系起來成為一種整體特性，即以相似性集群的特性。并進一步提出了一種展現脈沖發放現象的脈沖連接模型。而后Johson發表了論文，闡述了PCNN的一種周期波動現象和PCNN在圖像處理中具有旋轉、尺度、信號扭曲和信號強度不變性。并先后對Eckhorn提出的網絡模型進行了改進，由此得到了如今被廣泛應用的脈沖耦合神經網絡（PCNN）模型。PCNN是由若干神經元互連而成的、以迭代運算為主的單層二維局部連接的反饋型的脈沖神經網絡模型。與其它的人工神經網絡相比有著顯著的區別，PCNN可以進行無監督自學習，其參數不需要進行提前訓練，屬于第三代神經網絡模型，具有優良的自學習圖像分割和自學習圖像特征提取。因此非常適合實時圖像處理的環境下。圖1為PCNN的神經元模型。

2 部分代碼

<span style="color:#333333"><span style="background-color:rgba(0, 0, 0, 0.03)"><code>i=imread('蒲公英.png'); </code><code>%g=rgb2gray(i); </code><code>g = i(:,:,2);</code><code>subplot(221),imshow(g); </code><code>xlabel('原圖像');</code><code>I = im2bw(g);</code><code>subplot(222),imshow(I); </code><code>xlabel('原圖像二值化');</code><code>[m,n] = size (g); </code><code>X = im2double(g); </code><code>%<strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong> </code><code>% Initialize PCNN Parameters </code><code>%<strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong> </code><code>% P ：L E F VF VL VE beta </code><code>% V: 1.0 1.0 0.1 0.5 0.2 20 0.1 </code><code>al = 1.0; ae = 1.0; af = 0.1; vf = 0.5; vl = 0.2; ve = 20; B = 0.1; </code><code>W =[0.5 1 0.5;... </code><code> 1 0 1;... </code><code> 0.5 1 0.5]; </code><code>M = W; Y = zeros(m,n); F = Y; L = Y; U = Y; E = Y; </code><code>%<strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong> </code><code>% PCNN 點火過程 </code><code>%<strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong><strong>*****</strong> </code><code>for i = 1:30</code><code> wk = conv2(Y,M,'same');</code><code> F = exp(-af).* F + vf.* wk + X; </code><code> L = exp(-al).* L + vl.* wk; </code><code> U = F.*(1 + B.* L); </code><code> Y = double(U>E); </code><code> E = exp(-ae).* E + ve.* Y; </code><code>end</code><code>subplot(223),imshow(Y); </code><code>xlabel('PCNN圖像');</code><code>?</code><code>im=imadjust(Y,[],[],1.5); </code><code>?</code><code>bw=im2bw(im); </code><code>subplot(224),imshow(bw); </code><code>xlabel('PCNN圖像二值化');</code><code>?</code><code>?</code><code>bw1=bwmorph(bw,'remove');</code><code>bw1 = bwareaopen(bw1,4);</code><code>[L,num]=bwlabel(bw1,8)%計算測量面積內晶粒的個數n </code><code>?</code><code>se=strel('disk',3);%創建圓盤形strel對象 </code><code>bwc=imclose(~bw,se);%對取反后的二值圖像進行閉運算 </code><code>bwco=imopen(bwc,se);%對閉運算后的圖像進行開運算 </code><code>bwco1=~bwco; </code><code>a=bwarea(bwco)/(bwarea(bwco)+bwarea(bwco1)) %計算第二相所占面積百分比 </code><code>?</code></span></span>

3 仿真結果

4 參考文獻

[1]劉勍, 許錄平, 馬義德, & 王勇. (2010). 基于脈沖耦合神經網絡的圖像nmi特征提取及檢索方法. 自動化學報(7), 8.

博主簡介：擅長智能優化算法、神經網絡預測、信號處理、元胞自動機、圖像處理、路徑規劃、無人機等多種領域的Matlab仿真，相關matlab代碼問題可私信交流。

部分理論引用網絡文獻，若有侵權聯系博主刪除。

總結

以上是生活随笔為你收集整理的【图像特征提取】基于脉冲耦合神经网络（PCNN）实现图像特征提取含Matlab源码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。