一、課題綜述及研究意義 圖像在生成和傳輸的過程中難免會受到噪聲的污染，使得圖像的質量受到損害，這不僅不符合人們的視覺效果，并且對圖像的后續處理是很不利的。因此，在圖像的預處理階段中，有必要對圖像進行去噪，以提高圖像的信噪比。數學形態學是一門建立在嚴格數學理論基礎上的學科，其基本思想和方法對圖像處理的理論和技術產生了重大影響，為形態學用于圖像分析和處理，形態濾波器的特性分析和系統設計奠定了基礎。PCNN是于20世紀90年代開始提出的一種基于貓的視覺原理構建的簡化神經網絡模型， PCNN不需要學習或者訓練，能從復雜背景下提取有效信息，具有同步脈沖發放和全局耦合等特性，其信號形式和處理機制更符合人類視覺神經系統的生理學基礎。 改善給定的圖像，解決實際圖像由于噪聲干擾而導致圖像質量下降的問題。通過圖像去噪技術可以有效地提高圖像質量，增大信噪比，更好的體現原來圖像所攜帶的信息。 圖像去噪方法的研究具有廣泛而深遠的意義。體現在實際生活應用上，譬如說，由于不同的成像機理，得到的初始圖像中含有不同性質的噪聲，這些噪聲的存在影響著人們對圖像的觀察，干擾人們對圖像信息的理解。噪聲嚴重的時候，圖像幾乎產生變形，使得圖像失去了存儲信息的本質意義。顯然，對圖像進行去噪處理，是正確識別圖像信息的必要保證。 我國數字圖像處理技術起步較晚，但在學習國外技術的基礎上發展迅速。近些年來，數學形態學和小波變換得到了非常迅速的發展，而且由于其具備良好的時域局部化和多分辨率分析能力，因而在圖像處理各領域的實際應用非常廣泛。如非線性小波變換閾值法去噪，及基于PCNN和數學形態學的圖像去噪。 針對傳統去噪方法的不足：傳統的濾波器將受污染的圖像視為一個整體進行濾波，不能根據噪聲分布的特點及圖像的紋理細節進行濾波，雖然濾除了噪聲，但同時對圖像造成了一定程度的破壞。近年來，數學形態學在圖像處理方面得到了日益廣泛的應用。 數學形態學可以用來解決抑制噪聲、特征提取、邊緣檢測、圖像分割、形狀識別、紋理分析、圖像恢復與重建、圖像壓縮等圖像處理問題。脈沖耦合神經網絡（PCNN）是單層神經網絡模型，不需要訓練就能實現圖像分割、圖像邊緣檢測等處理，因此在圖像處理中得到廣泛的應用，但單一的PCNN不能有效的濾除噪聲，同樣也需要結合其他理論方法。因此，近年來提出了基于數學形態學和神經網絡相互結合的去噪方法應運而生，這種方法也必將成為今后圖像去噪的主要發展趨勢之一。 二、課題擬采取的研究方法和技術路線 本文先簡述了圖像濾波在圖像處理中的作用，其次提出了基于PCNN模型的濾波算法，并介紹了算法的基本思想和步驟，基于PCNN的特性恢復圖像數據局部灰度，亮度相似的像素對應神經元同步脈沖，通過在濾波算法迭代找出和與周圍神經元點火時間不一樣的，對這些神經元的對應像素灰度再處理，并通過MATLAB仿真實驗，得出該算法明顯優于傳統的中值濾波方法。然后在此算法基礎上，本文又對算法的基本模型提出了修改，針對不同點的像素和他相鄰像素之間的耦合關系的不同，設置不同的值，并通過實驗數據比較，根據信噪比和平均絕對誤差得出，改進后的模型處理效果要優于改進前的效果。 三、主要參考文獻 [1] Eckhorn R, Reitboeck H J, Arndt M, et al. Feature linking via synchronization among distributed assemblies.simulation of results from cat cortex [J].Neural Comput. 1990,2(3):293-307. [2] J.L.Johnson, M.L.Padgett. PCNN models and applications[J].IEEE Trans.on Neural Networks.1999,10(3):480-498. [3] 馬義德,齊春亮. 基于遺傳算法的脈沖耦合神經網絡自動系統的研究[J].系統仿真學報, 2006,18(3):722-724. [4] 劉勍,馬義德. 一種基于PCNN賦時矩陣的圖像去噪新算法[J].電子與信息學報, 2008,30(8):1869-1878. [5] 蔡漢添.小波變換域中圖像噪聲平滑技術[J].光學技術,1998,6:6-9. [6] 石美紅,張軍英,張曉濱,等.基于改進型脈沖耦合神經網絡的圖像二值分割[J].計算機仿真, 2002,19(4):42-46. [7] 姜殿龍,趙峙江,張翠翠. 基于簡化型 PCNN 的圖像混合噪聲濾波方法[J].應用科技,2008,35(1):36-39. [8] 李慧娜,平源.有效去除圖像混合噪聲的方法[J].計算機工程與設計,2008,29(13):3536-3541. [9] 李永剛,石美紅.PCNN的高斯噪聲濾波[J].計算機工程與應用,2007,43(1):65-67. [10] 顧曉東,郭仕德,余道衡.一種基于PCNN 的圖像去噪新方法[J].電子與信息學報, 2002, 24(10):1304-1309. [11] Johnson J L.Pulse-coupled neural networks,Adaptive Comput:Math,Electron, Opt, SPIE[J]. Crit.Rev, 1994(CR55):47-76. [12] Windrow B,Hoff ME. Adaptive switching circuits[J].Proceedings of the IEEE, 1976, 64(23):115-162. [13] 馬義德,劉映杰.基于改進模型的PCNN動態行為的實驗研究[J].中國生物醫學工程學報, 2006, 25(5):137-142. [14] 巫影,陳定方,唐小兵.神經網絡綜述[M],北京:科學出版社,2002. [15] 石美紅,張軍英,朱欣娟.基于PCNN的圖像高斯噪聲濾波的方法[J].計算機應用, 2002, 26(2):1-4. [16] 顧曉東,程承旗,余道衡. 結合脈沖耦合神經網絡與模糊算法進行四值圖像去噪[J].電子與信息學報, 2003, 25(12):1585-1590. [17] 馬義德,史飛.一種基于脈沖耦合神經網絡的脈沖噪聲濾波器設計[J].生物醫學工程雜志, 2004, 21(6):1019-1023. [18] 顧曉東,張立明,余道衡.一定條件下PCNN動態行為的分析[J].計算機工程與應用, 2004, 40(19):6-8,103. [19] 馬義德,綻琨,王兆濱.脈沖耦合神經網絡與數字圖像處理[M].北京:科學出版社, 2006. [20] Hodgkin A L, Huxley A F. A quantitative description of new membrance current and its application to condition and exciation in nerve[J].Physical.1952,117:500-544. [21] 胡小峰,趙輝.Visual C++/MATLAB 圖像處理與識別實用案例精選[M].北京:人民郵電出版社,2004. [22] 樊洪斌.脈沖耦合神經網絡在醫學圖像處理中的應用研究[D],廣西師范大學碩士論文,2009. [23] 李鴻林.中值濾波技術在圖像處理中的應用[J] .信息技術,2004, 28(7):26-52. [24] 劉忠仁,孫圣和.基于模糊神經網絡的脈沖噪聲濾波器[J].中國圖象圖形學報,2001,6(4):343-347. [25] 馬義德,楊森,李廉.一種全方位多角度自適應形態濾波器及其算法[J].通信學報,2004,25(9):86-92. [26] 齊春亮.脈沖耦合合神經網絡模型參數自動標定算法研究[D].蘭州大學碩士學位論文,2006. [27] 史飛.脈沖耦合神經網絡在圖像處理中的應用研究[D].蘭州大學碩士學位論文,2003.
二、畢業設計（論文）工作實施計劃www.628tf.com （一）畢業設計（論文）的理論分析與軟硬件要求及其應達到的水平與結果 理論分析： 用于圖像濾波的所有PCNN的神經元采用同樣的連接方式，每個神經元的輸出只有點火和不點火狀態。由于被噪聲污染的像素點的亮度值與周圍像素點的亮度不同，PCNN對噪聲點的輸出也不同于對周圍像素點的輸出。具體的來說，當某個神經元點火而周圍大多數神經元不點火，說明對應像素點已被噪聲污染；當某個神經元不點火而周圍大多數神經元點火，說明對應像素點同樣被污染了；在其他情況下，說明像素點沒有被污染?？偠灾斈硞€神經元的點火時刻與其周圍大多數神經元點火時間不一致時，判斷該點受噪聲影響。然后對定位的噪聲像素進行均值濾波，用3X3領域相鄰神經元對應像素的平均值來代替該點像素值。 軟硬件要求： 基于PCNN模型的濾波算法matlab仿真。PCNN的神經元同步點火性質，使的它能夠由各神經元的不同點火方式來查找噪聲點的具體位置，再針對噪聲采取相應的算法來去除，這樣不但能夠在去噪的同時可以盡量的保持圖像細節，還可以獲得較好的圖像質量。 由于PCNN網絡參數難以確定，只能通過手動調節，難以確定最優參數的缺陷，本文在PCNN簡化模型的基礎上作出了改進。針對不同點的像素和相鄰像素之間的耦合關系的不同，改進內部活動項的連接系數。通過實驗得出，改進后的模型處理效果要優于改進前的效果。 |
