脉冲耦合神经网络中的可靠消息传播机制研究

Pulse Coupled Neural Network (PCNN), which is inspired by the phenomena of synchronous pulse bursting in the visual cortex of mammals brain, can deal with space-time information cooperatively and has important theoretical research and application values. The project takes the study for the reliable message passing mechanism of PCNN and its application in image processing and analyzing as research problem and deep explores the essential relationship between the PCNN and BP. The equivalence transformation between the propagation modes of the pulses among PCNN neurons and the messages among BP nodes is studied. Pulse coding methods are hunted after to make PCNN neurons conform to BP and achieve a non-reciprocating message transformation. Our project also deduces the equivalence transformation between the PCNN inner states updating method and the message producing manner among BP nodes. The mathematical model of Belief Propagation Pulse Coupled Neural Network (BP-PCNN) with its fast algorithm realization are constructed in the project too. In order to verify its efficiency and superiority, performances of BP-PCNN and belief propagation are analyzed and compared for solving some vision related problems in Markov Random Field framework. The project will contribute to the BP-PCNN popularizing in image processing and analyzing as well as computer vision, and supply new research ideas and theoretical foundation for the development and perfection of Pulse Coupled Neural Network.

源于哺乳类动物大脑视皮层中神经脉冲同步发放现象的脉冲耦合神经网络（PCNN），在功能上更接近真实生物神经网络，能够协同处理时空信息，具有重要的理论研究及应用价值。本项目以PCNN神经元间可靠消息传播机制研究及在图像处理与分析中的应用为主题，深入探究PCNN与置信传播（BP）间的本质联系。研究PCNN神经元间脉冲传播方式与BP节点间消息传播方式的等价转换；探求PCNN神经元间符合置信传播的输出脉冲编码方法并实现神经元间无往复的消息传播；推演 PCNN神经元内部状态更新方式与BP节点内消息产生方式的等价转换；构建置信传播-脉冲耦合神经网络（BP-PCNN）数学模型并实现快速算法；分析对比BP-PCNN与BP求解MRF框架下若干视觉图像相关问题的性能指标，证实BP-PCNN模型的效能与优势；推广BP-PCNN在图像处理与分析及计算机视觉中的应用，为PCNN的完善与发展提供新的研究思路与理论依据。

脉冲耦合神经网络（PCNN）在图像处理中有着广泛的应用。本课题受置信传播算法（BP）启发，旨在研究PCNN中神经元间的可靠信息传播，使其能够更加有效地实现图像处理应用。课题首先针对PCNN中神经元发放脉冲时信息传递缺失的问题，提出了一种具有连续脉冲幅值的脉冲发放编码方式，其优点在于能够体现各个神经元的瞬时脉冲发放率，让神经元间信息的传递更有效。接着，课题又针对BP中，节点间不断地进行信息交换直到节点间信息不再变化的现象，提出了在PCNN中利用快速连接机制来实现这种信息间的不断交换。和BP不同，在PCNN中这种基于快速连接的方式只能实现当前迭代过程中信息的完全传播，属于一种局部最优结果。为了能够像BP一样得到全局最优，课题引入了叠加策略并配合上一维Otsu来实现局部最优的合并，以得到全局较优的处理结果。受上述这种通过控制PCNN神经元间信息传播方式提升PCNN性能的启发，本课题还通过将彩色信息嵌入至连接权矩阵将PCNN扩展至彩色图像分割应用中，其核心是利用彩色空间的距离度量来动态决定连接权矩阵，只让颜色相似的象素对应的神经元实现信息相互传递。然后通过区域增长技术以及快速连接和动态连接值等方式，实现了有效的无监督彩色图像分割算法。另外，本课题还将PCNN用于视网膜血管分割这一特定应用，通过将区域增长机制与PCNN结合，提出了一种基于区域增长PCNN的视网膜血管自动分割算法。除此以外，我们还尝试利用PCNN神经元具有的捕获功能实现彩色超像素提取以及以超像素提取结果为PCNN输入，实现图像分割。在课题开展过程中，发表论文4篇；出版专著1部，译著1部；申请相关发明专利3项，获授权2项；授权相关软件著作权3项；培养相关研究方向硕士生4名。项目投入经费23万元，支出18.34万元，剩余经费4.66万元，剩余经费计划用于本项目的后续研究支出。