專利名稱：基于延遲自反饋fhn隨機(jī)共振機(jī)制的灰度圖像增強(qiáng)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理領(lǐng)域，涉及ー種基于延遲自反饋FHN神經(jīng)元模型隨機(jī)共振機(jī)制的灰度圖像增強(qiáng)方法。
背景技術(shù)：
圖像是人們傳遞信息的主要媒介，但在圖像采集、傳輸、編碼和獲取的過程中會(huì)受到各種噪聲的干擾，導(dǎo)致圖像質(zhì)量的退化，這對(duì)于圖像更高層次的分析或理解是十分不利的。因此有效地消除噪聲的有害影響，同時(shí)增強(qiáng)圖像中的有用信號(hào)變得尤為重要。目前傳統(tǒng)的圖像增強(qiáng)方法主要有基于直方圖均衡化的圖像增強(qiáng)方法、基于小波變換的圖像增強(qiáng)方法、均值濾波等算法。這些方法通過去除圖像中的噪聲信號(hào)，來(lái)增強(qiáng) 圖像信息，尤其當(dāng)圖像信號(hào)信噪比較低時(shí)，在去除噪聲的同吋，圖像有用信息將不可避免的受到損失，因此圖像的增強(qiáng)效果并不理想。隨機(jī)共振通過噪聲、輸入信號(hào)以及非線性系統(tǒng)三者間的協(xié)同作用，將噪聲能量轉(zhuǎn)向有用的信號(hào)能量，從而提高輸出信號(hào)的信噪比。這對(duì)于強(qiáng)噪聲背景下的弱圖像增強(qiáng)具有重要的意義。

發(fā)明內(nèi)容
本發(fā)明考慮到(1)傳統(tǒng)圖像增強(qiáng)技術(shù)在低信噪比條件下，通常不能取得良好的效果；(2)結(jié)構(gòu)簡(jiǎn)單的雙穩(wěn)態(tài)隨機(jī)共振模型具有較窄的參數(shù)優(yōu)化范圍以及性能不夠穩(wěn)定，提出了ー種基于延遲自反饋FHN隨機(jī)共振機(jī)制的灰度圖像增強(qiáng)方法。通過對(duì)FHN神經(jīng)元模型添加延遲自反饋環(huán)節(jié)，使其滿足神經(jīng)脈沖信號(hào)在神經(jīng)系統(tǒng)傳遞的延遲反饋機(jī)制。本發(fā)明的延遲自反饋FHN神經(jīng)元模型隨機(jī)共振機(jī)制的灰度圖像增強(qiáng)方法包括以下步驟
步驟(I)對(duì)含噪的灰度圖像進(jìn)行行掃描，將其降維成ー維序列。步驟(2)對(duì)每個(gè)ー維序列中的像素值進(jìn)行歸ー化處理。步驟(3)將每個(gè)歸ー化處理后的ー維序列輸入至基于延遲自反饋的FHN神經(jīng)元模型系統(tǒng)中，得到對(duì)應(yīng)的輸出信號(hào)序列。步驟(4)調(diào)節(jié)延遲自反饋FHN神經(jīng)元模型的延遲和反饋參數(shù)，使得延遲自反饋FHN神經(jīng)元模型的輸出達(dá)到最佳隨機(jī)共振狀態(tài)。具體方法為計(jì)算延遲自反饋FHN模型的互信息熵，當(dāng)互信息熵達(dá)到最大值時(shí)，固定對(duì)應(yīng)的延遲自反饋FHN神經(jīng)元模型的參數(shù)值，此時(shí)的輸出序列即為延遲自反饋FHN神經(jīng)元模型的最佳輸出。步驟(5)將最佳輸出序列逆歸ー化還原為圖像像素取值范圍。步驟(6)對(duì)步驟(5)的輸出信號(hào)序列按行逆掃描復(fù)原成ニ維圖像信號(hào)。步驟(7)對(duì)復(fù)原后的ニ維圖像信號(hào)進(jìn)行列掃描，降維成ー維信號(hào)系列。步驟(8 )重復(fù)步驟(2 )到步驟(5 )進(jìn)行一次列操作。步驟(9)對(duì)得到的最佳輸出信號(hào)序列按列逆掃描復(fù)原成ニ維圖像。本發(fā)明的有益效果為I、由于圖像是ニ維信號(hào)，本發(fā)明在行掃描基礎(chǔ)上再進(jìn)行列掃描，有效的提高了圖像行列之間平等關(guān)系，有利于圖像像素之間的關(guān)聯(lián)性保留。2、本發(fā)明基于延遲自反饋的FHN神經(jīng)元模型的隨機(jī)共振機(jī)制，與傳統(tǒng)的基于噪聲濾除的信號(hào)增強(qiáng)方法不同，其將噪聲的消極能量轉(zhuǎn)換為信號(hào)的積極能量，從而實(shí)現(xiàn)強(qiáng)噪聲背景下的弱圖像增強(qiáng)。3、本發(fā)明在圖像信號(hào)的隨機(jī)共振增強(qiáng)中，舍棄了常用的簡(jiǎn)單雙穩(wěn)態(tài)系統(tǒng)等抽象模型，而是采用符合真實(shí)神經(jīng)元電生理特性的FHN神經(jīng)元模型；同時(shí)為FHN神經(jīng)元模型添加延遲自反饋環(huán)節(jié)，更符合神經(jīng)系統(tǒng)中神經(jīng)元之間的互連關(guān)系，有利于改善弱圖像信號(hào)的增強(qiáng)性能。



圖I是本發(fā)明方法流程圖。
具體實(shí)施例方式以下結(jié)合附圖對(duì)本發(fā)明作進(jìn)ー步說明。本發(fā)明是基于描述神經(jīng)元電生理特性的FitzHugh-Nagumo(FHN)神經(jīng)元模型,添加延遲自反饋環(huán)節(jié)，以模擬神經(jīng)系統(tǒng)信號(hào)傳遞過程中的延遲和反饋調(diào)節(jié)特性，將有利于提升隨機(jī)共振參數(shù)的優(yōu)化范圍以及性能的穩(wěn)定性。步驟 ( I )對(duì)于像素值為NxN的含噪弱圖像，進(jìn)行行掃描，將ニ維圖像信號(hào)降維成ー維信號(hào)序列/一)，( = 1, 2,…，MxM )。步驟(2)將降維獲得的ー維信號(hào)序列/( ) , ( = 1 2, NxN )進(jìn)行歸一化處理獲得 F (μ.) , ( = I, 2,…，IZxAr ),其中,F(n) = ￠/(η) - Tam(J)) / (m as(J) - mm(/)),( = 1, 2, AW),其中mm(/)表示圖像■個(gè)像素值的最小值，max(/)表示圖像JVx F個(gè)像素值的最大值,使其滿足FHN神經(jīng)元模型要求輸入信號(hào)具有小參數(shù)值的特點(diǎn)。步驟(3)將タ⑶，( = 12,…,NkM )輸入基于延遲自反饋的FHN神經(jīng)元模型系統(tǒng)中，得到對(duì)應(yīng)的輸出信號(hào)序列0W，( = ^ 2, NxN )；
其中，添加延遲自反饋的FHN神經(jīng)元模型結(jié)構(gòu)示意圖如圖I所示，圖中g(shù)為經(jīng)行掃描歸ー化處理后的降維ー維圖像信號(hào)；$為經(jīng)列掃描歸一化處理后的降維ー維圖像信號(hào)；ち、も分別為行掃描和列掃描反饋比例調(diào)節(jié)參數(shù)，其中系統(tǒng)為負(fù)反饋；T1、T2分別為行掃描和
列掃描延遲參數(shù)七為信號(hào)經(jīng)FHN模型冬的輸出值(I = 1,2)。數(shù)學(xué)模型如式⑴所示
ε— = ν(ν- α)(1 - v) - w + ^ - 5 + Jflii + Kv(￡ -て)
^ f , ⑴
-~ = y{v- w- )其中，V為快變的神經(jīng)元膜電壓；W為慢變的恢復(fù)變量-為時(shí)間常數(shù)，決定了神經(jīng)元的點(diǎn)火速率；4為臨界值，促使神經(jīng)元定期點(diǎn)火；S為信號(hào)電平均值與4的差值;a、b為
方程組常數(shù)；な為外部電流輸入，且/β =科0+#抑)，m為輸入信號(hào)，ξ( )為高斯白噪聲，滿足 < 抑)>=o,< mm >=郅-r.), D為噪聲強(qiáng)度；K為延遲自反饋的反饋系數(shù)；τ為時(shí)間延遲參數(shù)。步驟(4)根據(jù)步驟(3)中的輸入信號(hào)序列和輸出信號(hào)序列，計(jì)算FHN神經(jīng)元延遲自反饋網(wǎng)絡(luò)模型的互信息熵，并將其作為衡量指標(biāo)，調(diào)節(jié)此時(shí)的延遲和反饋參數(shù)；當(dāng)互信息熵達(dá)到最大值時(shí)，表明延遲自反饋FHN神經(jīng)元系統(tǒng)處于最佳隨機(jī)共振狀態(tài)，且此時(shí)圖像輸出信號(hào)將得到最優(yōu)增強(qiáng)。其中互信息熵的公式為
H d Sm) = -Σ Pin ① loSs 4 ( )+ΣΣ pMlm O Μ) loS2 (2)
其中，4!表不輸入信號(hào)，表不輸出信號(hào)，な(O表不輸入信號(hào)值為2的概率，IO表示延遲自反饋FHN系統(tǒng)輸入信號(hào)值為f吋，系統(tǒng)輸出信號(hào)為J的條件概率。 步驟(5)將輸出的序列G( ) , ( = 1, 2, NxM )逆歸ー化還原為圖像像素值
取值范圍_，其中=’隱(⑦表示輸出序列撕)中的最小值，
max(CT)表示輸出序列G( )中的最大值，逆歸ー化后使其滿足圖像像素值為O 255的取值范圍。步驟(6)將步驟(5)的輸出信號(hào)序列按行逆掃描復(fù)原成ニ維圖像信號(hào)。步驟(7)對(duì)復(fù)原后的ニ維圖像信號(hào)進(jìn)行列掃描，降維成ー維信號(hào)系列。步驟(8 )重復(fù)步驟(2 )到步驟(5 )進(jìn)行一次列操作。步驟(9)對(duì)得到的最佳輸出信號(hào)序列按列逆掃描復(fù)原成ニ維圖像。
權(quán)利要求
1.基于延遲自反饋FHN隨機(jī)共振機(jī)制的灰度圖像增強(qiáng)方法，其特征在于該方法包括如下步驟 步驟(I)對(duì)含噪的灰度圖像進(jìn)行行掃描，將其降維成ー維序列； 步驟(2)對(duì)每個(gè)ー維序列中的像素值進(jìn)行歸ー化處理； 步驟(3)將每個(gè)歸ー化處理后的ー維序列輸入至基于延遲自反饋的FHN神經(jīng)元模型系統(tǒng)中，得到對(duì)應(yīng)的輸出信號(hào)序列； 步驟(4)調(diào)節(jié)延遲自反饋FHN神經(jīng)元模型的延遲和反饋參數(shù),使得延遲自反饋FHN神經(jīng)元模型的輸出達(dá)到最佳隨機(jī)共振狀態(tài)；具體方法為計(jì)算延遲自反饋FHN模型的互信息熵，當(dāng)互信息熵達(dá)到最大值時(shí)，固定對(duì)應(yīng)的延遲自反饋FHN神經(jīng)元模型的參數(shù)值，此時(shí)的輸出序列即為延遲自反饋FHN神經(jīng)元模型的最佳輸出； 步驟(5)將最佳輸出序列逆歸ー化還原為圖像像素取值范圍； 步驟(6)對(duì)步驟(5)的輸出信號(hào)序列按行逆掃描復(fù)原成ニ維圖像信號(hào)； 步驟(7)對(duì)復(fù)原后的ニ維圖像信號(hào)進(jìn)行列掃描，降維成ー維信號(hào)系列； 步驟(8)重復(fù)步驟(2)到步驟(5)進(jìn)行一次列操作； 步驟(9)對(duì)得到的最佳輸出信號(hào)序列按列逆掃描復(fù)原成ニ維圖像。
全文摘要
本發(fā)明涉及一種基于延遲自反饋FHN隨機(jī)共振機(jī)制的灰度圖像增強(qiáng)方法。傳統(tǒng)方法在缺乏噪聲模型先驗(yàn)知識(shí)情況下效果不理想。本發(fā)明首先對(duì)含噪灰度圖像進(jìn)行行掃描，獲得由各像素灰度值所組成的一維序列，并對(duì)其各元素進(jìn)行歸一化處理；將歸一化后的一維序列輸入至延遲自反饋FHN神經(jīng)元模型中，使得系統(tǒng)輸出達(dá)到最佳的隨機(jī)共振狀態(tài)；將輸出的序列逆歸一化還原為圖像像素值取值范圍，并將其還原為灰度圖像；然后對(duì)還原后的灰度圖像進(jìn)行列掃描重復(fù)上述過程，最后獲得經(jīng)過行列兩次掃描后增強(qiáng)的灰度圖像。本發(fā)明方法結(jié)合行列兩個(gè)方向?qū)崿F(xiàn)圖像的降維處理，有效提高了二維圖像行列方向的對(duì)等關(guān)系，有利于灰度圖像通過隨機(jī)共振處理后的空間結(jié)構(gòu)特性保留。
文檔編號(hào)G06T5/00GK102693529SQ20121016353
公開日2012年9月26日 申請(qǐng)日期2012年5月24日 優(yōu)先權(quán)日2012年5月24日
發(fā)明者王海玲, 范影樂, 陳金龍 申請(qǐng)人:杭州電子科技大學(xué)