视感知模型脉冲耦合神经网络的图像特征提取及应用研究

To seek an image feature extraction method with strong robustness for the environment change, and because of one-dimensional oscillation time series (OTS) from binary image sequence and frequency chart sequence generated by pulse coupled neural network (PCNN) has a good adaptability for geometric changes and noise of image, this project will study image OTS feature automatic extraction methods based on PCNN. First we will study neuronic dynamics mechanism, and various kinds of dynamics characteristics influence on image OTS feature. And then, by analyzing the dynamic range of parameters of neurons, and these parameters influence on image OTS feature, we will study and put forward the applicable automatic estimation methods of the parameters of neurons. And using transformation methods of two-dimensional images translating into zero dimension data point, we will research methods from binary image sequence or frequency chart sequenceextracting OTS feature. Meanwhile using complete pulse classification methods, we will study the OTS characteristics decomposition methods of image to improve the identifiability of OTS feature. Finally we will research classifier design of single/multiple OTS feature to achieve good classification of OTS feature model in the practical application. The project's successful implementation is expected to realize the image feature extraction with strong robustness and provide a new thinking and effective technology support.

出于寻求一种对外界变化具有强鲁棒性的图像特征提取方法的目的，并由于从脉冲耦合神经网络（PCNN）产生的二值图像序列和频图序列中提取到的一维振荡时间序列（OTS），对图像的几何变化和噪声具有良好适应性，本项目将研究基于PCNN的图像OTS特征自动提取方法。首先研究神经元的动力学机制，及各种动力学特性对OTS特征可鉴别的影响。进而通过研究分析神经元参数的动态范围，及这些参数对OTS特征可鉴别性的影响，研究提出适用的神经元参数的自动估计方法。再之利用二维图像转化为零维数据点的变换方法，研究从二值图像序列或频图序列中提取OTS特征的方法。同时利用完备的脉冲分类方法，研究图像的OTS特征分解方法，以提高OTS特征的可鉴别性。最后研究适合于单/多OTS特征的分类器设计，以在实际应用中实现OTS特征模式的良好分类。研究成果预期为实现强鲁棒性的图像特征提取提供一种全新的思路和有效的支撑技术。

脉冲耦合神经网络（PCNN）利用独特的脉冲时间编码特性，对图像具有高效的3-D时空编码表达能力，本课题通过对脉冲时间编码输出的3-D二值图序列（BMS）在时间和空间维度上的降维处理，结合神经元参数的优化估计，研究了基于PCNN的图像特征提取方法。首先通过对神经元动力学机制的数学分析，以定理和推论等给出了有关神经元脉冲振荡周期，周期性振荡初始时间相位等的数学描述。进而利用经典感受野和生物智能优化算法提出了多种神经元参数的优化估计方法，为下一步的特征提取研究奠定了基础。另一方面，为了对BMS在空间维度上进行降维，基于BMS构建了频图序列（FMS）和局部二值编码序列（LBEMS），并利用二维熵对空间维度的0-D降维，提出了OTS-FMS,OTS-LBEMS等1-D OTS提取方法。作为扩展，通过1-D卷积核基础上构建的1-D PCNN，提出了针对DNA序列的1-D OTS-BMS和OTS-EMS特征提取方法。另外，为了对BMS在时间维度上进行0-D降维，通过保持空间坐标不变，在时间维度上对BMS累积并归一化，给出了图像的2-D PFM特征提取方法。项目研究所提出的各种1-D OTS特征提取方法，对图像的旋转、缩放、平移等体现了良好的几何不变性，已在人脸、虹膜、人脸表情、DNA序列等的特征提取中得到了应用验证。而2-D PFM特征提取方法体现了高度的非线性特征聚类能力，它在对特征进行非线性映射的同时，能保持相似特征的恒等映射，已在图像融合、图像增强中得到了应用验证。本课题还探索了基于深度网络、稀疏表示和低秩表示的特征提取方法，并对PCNN与深度网络的结合进行了初步尝试。综合上述结果，本项目研究为探索PCNN的脉冲时间编码机理奠定了坚实的理论基础，所提出的特征提取方法也为图像特征表达提供了一种新的途径。. 项目资助发表期刊论文27篇，其中SCI源期刊15篇，中文核心期刊12篇；国际学术会议论文9篇。申请国家发明专利3项，授权1项。培养毕业硕士研究生8名。