異構神經網絡圖像量化算法的相關探討

蘆丹 羅訓

(天津理工大學,天津 300384)

圖像量化主要指的是利用映射一個范圍值至指定量化值的有損壓縮技術。應用量化算法時,首先需要分割采樣信號為多個具有一定間距的取值范圍,之后利用一數值對取值范圍中所有制進行替代。在量化過程中,會有量化噪聲產生。

1 脈沖耦合神經網絡

脈沖耦合神經網絡是在哺乳動物視覺皮層神經元模型基礎上演變而來的,在和人的視覺系統相關的工作領域中,此模型得到了較為廣泛的應用。在圖像處理工作中,應用脈沖耦合神經網絡模型的具體流程可以分為三個環節:(1)目標識別。在此環節中,首先需要對給定目標進行判斷,觀察其是否處于同一幅視頻幀或圖像當中;然后,需要對目標進行分類。現階段,基于特征的識別方法、基于模型識別方法都較為常見。(2)分割圖像。脈沖耦合神經網絡在運行過程中,會有同步脈沖發放,其點火和神經元聚類相似,依照點火時間,可以對神經元簇進行予以劃分,進而分割圖像局部區域。(3)去噪處理。在部分圖像中,可能會有噪聲污染存在,在灰度值上,噪聲點灰度值相對突兀,利用圖像像素相關性,脈沖耦合神經網絡可以對脈沖噪聲予以去除[1]。

其圖像量化算法主要可以分為三個步驟:(1)在算法模型中導入圖像,對最優直方圖閾值S’和圖像標準差σ進行計算,之后構建動態脈沖耦合神經網絡與靜態特征聯系;(2)自動設置參數,依照神經元活動特征,脈沖耦合神經網絡可以逐層進行點火;(3)對量化對應迭代參數予以設置,對像素進行處理,記錄迭代過程中的輸出Y值;(4)對神經元點火進行判斷,輸出賦予時矩陣。

在過去,我們在進行圖像分析工作時,往往會選取參數相同的同構脈沖耦合神經網絡模型,但因為神經元模型參數之間存在差異,可能會讓圖像處理出現偏差,因此,可以對此參數差異進行區分,利用異構脈沖耦合神經網絡模型完成圖像分析工作。同時,神經網絡在連接方式上存在異構性,在圖像處理工作中,利用此類特性可以讓傳統模型應用場合得到進一步擴展,可以對目標區域、背景區域進行分別處理。

2 異構神經網絡圖像量化算法

2.1 算法提出

在脈沖耦合神經網絡的量化算法與異構神經網絡基礎上,可以提出新的異構神經網絡圖像量化算法,結合上文,脈沖耦合神經網絡的量化算法在進行計算時視所有像素點為完全一致神經元,可能會讓圖像處理存在差異,因此,在本文異構神經網絡圖像量化算法中,將視像素為不同神經元,且神經元聯接權重存在差異。

2.2 算法流程

2.2.1 圖像分割

在脈沖耦合神經網絡基礎上,可以提出HPCNN圖像量化算法。可以視脈沖耦合神經網絡圖像矩陣M·N為M·N個PCNN神經元,且每個神經元都和輸入圖像灰度值相對應,在相鄰要素點中包含神經元點火,可以對周圍神經元點火予以激發,讓脈沖序列Y得以產生。因此,可以視脈沖序列Y為圖像區域信息,判斷迭代終止標準為最大熵與交叉熵。

2.2.2 圖像平滑

脈沖耦合神經網絡具有同步點火特點,會有脈沖噪聲產生在不同區域臨界點。且目標區域內低灰度值像素值會因為背景區域高灰度值而被拉高,背景區域高灰度值像素值會因為被目標區域低灰度值而拉低。在圖像處理中,線性濾波器得到了十分廣泛的使用,線性濾波器具有處理效果好且設計簡單的特點,在本文脈沖噪聲的去除工作中,主要采用均值濾波器進行處理。通過對(x,y)位置像素點數值、周圍八個像素點數值進行對比,如果周圍像素點灰度值小于其灰度值閾值TH,那么可以對此像素點作出標記,即噪聲點。之后,可以利用周圍的像素點灰度值均值對此像素點灰度值進行更新。

2.2.3 量化算法

在異構神經網絡圖像量化算法的實際應用中,量化算法是整個流程的核心環節,首先,需要利用脈沖耦合神經網絡分割算法分割輸入圖像為兩個部分,即目標區域O、背景區域B;其次,需要對目標區域O、背景區域B的最優直方圖閾值S’與標準差σ進行計算,完成迭代次數的設定工作,并對動態特性參數予以計算;然后,需要對所有神經元的點火工作進行判斷,確認點火已經全部完成,之后,可以對所有像素點火時間進行記錄的賦時矩陣TO、TB進行輸出,賦時矩陣T=TO+TB;最后,結合脈沖耦合神經網絡輸出圖像YOUT=-T可以得知,賦時矩陣與量化圖像相反,進而得到量化圖像。

2.3 應用效果

利用S3C2440A芯片、ARM處理器、網絡文件系統NFS服務、交叉編譯環境可以構建硬件開發平臺,在Matlab上將異構神經網絡圖像量化算法進行移植,讓其成為硬件開發平臺中C++代碼,可以展開實驗。在實驗過程中,主要實驗對象為Lena圖片、Cameraman圖片與Jet圖片,將異構神經網絡圖像量化算法和μ率量化算法、脈沖耦合神經網絡量化算法與K-means聚類量化算法進行實驗結果對比。可以發現在多數量化層級下,本文所提異構神經網絡圖像量化算法的均方誤差最低,而在壓縮能力方面,異構神經網絡圖像量化算法和脈沖耦合神經網絡量化算法同樣具有較高的壓縮比,也就是說,在人眼視覺上,異構神經網絡圖像量化算法應用效果相對較好[2]。

3 結語

綜上所述,利用脈沖耦合神經網絡的量化算法與異構神經網絡,可以構建一種異構神經網絡圖像量化算法,在具體應用中,按照圖像分割、圖像平滑和量化處理的順序可以得到量化圖像,其具有較小的均方誤差,量化圖像效果相對較好,具有一定應用價值。

[1]吳衛祖,劉利群,謝冬青.基于神經網絡的異構網絡向量化表示方法[J].計算機科學,2017,44(05):272-275.

[2]王磊,章隆兵,王劍.基于神經網絡預測模型的異構多核處理器調度[J].高技術通訊,2015,25(06):567-574.