(a)原始Lena图像(b)由赋时矩阵r形成的图像焉广丁————]
6000}『1I利陆h~一。I
在礼表2性-|等协删图
像的r直方图矢量重心特征相对于kna图
像特征值的相对误差,其中i为Lena图像T
表1对Lena图像进行缩放、
旋转及平移提取扎值及与原图的误差
缩放
比例8i(%)
旋转一
8i(%)
平移
占i(%)(%)
角度n位置
原图12.9120O.Ooo原图12.9120O.Ooo原图12.91200.0002012.8308O.62945。12.9215O.0736左上角12.91200.Ooo4012.9187O.051990012.91200.000右上角12.91200.0008012.91980.0604135。12.92150.0736左下角12.9120O.ooO12012.9205O.0658180。12.9120O.000右下角12.9120O.Ooo15012.92460.0976225012.9215O.0736中上部12.9120O.00018012.9435O.240270。12.9120O.000中下部12.9120O.o()o20012.9414O.230315012.9216O.0743中间12.9120O.000
(a)Girl(b)CalIlermn
(d)Couple(e)Miss(f)Child(g)woⅫ
图3模式识别库中待识别的部分人物图像
表2对不同图像进行提取,l及与Lena图像的误差
不同图像LenaGirlCmeⅢnanLadvCoupleMis8ChildWom∞一
厅
12.912014.126012.392211.754017.65008.366310.13046.1789s:(%)O.0009.4004.0308.97036.6935.2121.5452.15
7000
6000
5000o4000i3000
2000
l000
0
,l
(a)缩小为原图40%时r的直方图
几
(b)对原图旋转45。时r的直方图
图2对kM图像缩放、旋转处理的结果
直方图矢量重心特征值。
通过以上实验图表可以看出:(1)由于采用的,阈值函
数随时间单调递减,所以通过PCNN迭代形成的r矩阵
图像是原图像的反白,如图1(b)所示;(2)当待识别目
标图像与识别库中图像存在一定的比例变化、旋转及平
移(见表1)时,采用PCNN直方图矢量重心特征识别,其
识别误差小,具有良好的几何畸变(TRs)不变性;(3)若待
识别目标图像与识别库中图像存在一定的差异,当采用
本文方法进行识别时,虽有一定的识别误差,但误差不
大。在实际图像识别过程中,当运用本文算法进行处理
时,可预先设定直方图矢量重心识别误差判别值(例如
本文可设占-=1.0%)来对待识别图像进行分类识别。
PCNN在图像与信号处理方面具有广阔的应用前
景。它的模型是一个极其复杂的非线性系统,其理论研
究仍在发展阶段。因此,关于PCNN模型及其参数对信
息处理的作用与影响等方面的课题目前仍是一个研究
热点。本文在对PCNN模型改进的基础上,利用简化
PCNN模型对输入原始图像进行处理,形成赋时矩阵,然