异构神经网络图像量化算法的相关探讨

芦丹 罗训

(天津理工大学,天津 300384)

图像量化主要指的是利用映射一个范围值至指定量化值的有损压缩技术。应用量化算法时,首先需要分割采样信号为多个具有一定间距的取值范围,之后利用一数值对取值范围中所有制进行替代。在量化过程中,会有量化噪声产生。

1 脉冲耦合神经网络

脉冲耦合神经网络是在哺乳动物视觉皮层神经元模型基础上演变而来的,在和人的视觉系统相关的工作领域中,此模型得到了较为广泛的应用。在图像处理工作中,应用脉冲耦合神经网络模型的具体流程可以分为三个环节:(1)目标识别。在此环节中,首先需要对给定目标进行判断,观察其是否处于同一幅视频帧或图像当中;然后,需要对目标进行分类。现阶段,基于特征的识别方法、基于模型识别方法都较为常见。(2)分割图像。脉冲耦合神经网络在运行过程中,会有同步脉冲发放,其点火和神经元聚类相似,依照点火时间,可以对神经元簇进行予以划分,进而分割图像局部区域。(3)去噪处理。在部分图像中,可能会有噪声污染存在,在灰度值上,噪声点灰度值相对突兀,利用图像像素相关性,脉冲耦合神经网络可以对脉冲噪声予以去除[1]。

其图像量化算法主要可以分为三个步骤:(1)在算法模型中导入图像,对最优直方图阈值S’和图像标准差σ进行计算,之后构建动态脉冲耦合神经网络与静态特征联系;(2)自动设置参数,依照神经元活动特征,脉冲耦合神经网络可以逐层进行点火;(3)对量化对应迭代参数予以设置,对像素进行处理,记录迭代过程中的输出Y值;(4)对神经元点火进行判断,输出赋予时矩阵。

在过去,我们在进行图像分析工作时,往往会选取参数相同的同构脉冲耦合神经网络模型,但因为神经元模型参数之间存在差异,可能会让图像处理出现偏差,因此,可以对此参数差异进行区分,利用异构脉冲耦合神经网络模型完成图像分析工作。同时,神经网络在连接方式上存在异构性,在图像处理工作中,利用此类特性可以让传统模型应用场合得到进一步扩展,可以对目标区域、背景区域进行分别处理。

2 异构神经网络图像量化算法

2.1 算法提出

在脉冲耦合神经网络的量化算法与异构神经网络基础上,可以提出新的异构神经网络图像量化算法,结合上文,脉冲耦合神经网络的量化算法在进行计算时视所有像素点为完全一致神经元,可能会让图像处理存在差异,因此,在本文异构神经网络图像量化算法中,将视像素为不同神经元,且神经元联接权重存在差异。

2.2 算法流程

2.2.1 图像分割

在脉冲耦合神经网络基础上,可以提出HPCNN图像量化算法。可以视脉冲耦合神经网络图像矩阵M·N为M·N个PCNN神经元,且每个神经元都和输入图像灰度值相对应,在相邻要素点中包含神经元点火,可以对周围神经元点火予以激发,让脉冲序列Y得以产生。因此,可以视脉冲序列Y为图像区域信息,判断迭代终止标准为最大熵与交叉熵。

2.2.2 图像平滑

脉冲耦合神经网络具有同步点火特点,会有脉冲噪声产生在不同区域临界点。且目标区域内低灰度值像素值会因为背景区域高灰度值而被拉高,背景区域高灰度值像素值会因为被目标区域低灰度值而拉低。在图像处理中,线性滤波器得到了十分广泛的使用,线性滤波器具有处理效果好且设计简单的特点,在本文脉冲噪声的去除工作中,主要采用均值滤波器进行处理。通过对(x,y)位置像素点数值、周围八个像素点数值进行对比,如果周围像素点灰度值小于其灰度值阈值TH,那么可以对此像素点作出标记,即噪声点。之后,可以利用周围的像素点灰度值均值对此像素点灰度值进行更新。

2.2.3 量化算法

在异构神经网络图像量化算法的实际应用中,量化算法是整个流程的核心环节,首先,需要利用脉冲耦合神经网络分割算法分割输入图像为两个部分,即目标区域O、背景区域B;其次,需要对目标区域O、背景区域B的最优直方图阈值S’与标准差σ进行计算,完成迭代次数的设定工作,并对动态特性参数予以计算;然后,需要对所有神经元的点火工作进行判断,确认点火已经全部完成,之后,可以对所有像素点火时间进行记录的赋时矩阵TO、TB进行输出,赋时矩阵T=TO+TB;最后,结合脉冲耦合神经网络输出图像YOUT=-T可以得知,赋时矩阵与量化图像相反,进而得到量化图像。

2.3 应用效果

利用S3C2440A芯片、ARM处理器、网络文件系统NFS服务、交叉编译环境可以构建硬件开发平台,在Matlab上将异构神经网络图像量化算法进行移植,让其成为硬件开发平台中C++代码,可以展开实验。在实验过程中,主要实验对象为Lena图片、Cameraman图片与Jet图片,将异构神经网络图像量化算法和μ率量化算法、脉冲耦合神经网络量化算法与K-means聚类量化算法进行实验结果对比。可以发现在多数量化层级下,本文所提异构神经网络图像量化算法的均方误差最低,而在压缩能力方面,异构神经网络图像量化算法和脉冲耦合神经网络量化算法同样具有较高的压缩比,也就是说,在人眼视觉上,异构神经网络图像量化算法应用效果相对较好[2]。

3 结语

综上所述,利用脉冲耦合神经网络的量化算法与异构神经网络,可以构建一种异构神经网络图像量化算法,在具体应用中,按照图像分割、图像平滑和量化处理的顺序可以得到量化图像,其具有较小的均方误差,量化图像效果相对较好,具有一定应用价值。

[1]吴卫祖,刘利群,谢冬青.基于神经网络的异构网络向量化表示方法[J].计算机科学,2017,44(05):272-275.

[2]王磊,章隆兵,王剑.基于神经网络预测模型的异构多核处理器调度[J].高技术通讯,2015,25(06):567-574.