基于脉冲耦合神经网络的图像处理算法

基于神经网络的图像分割算法在FPGA上的实现封士永;康彬【摘要】脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)是一种新型神经网络模型,作为研究图像分割的常用方法,一直广受关注.针对目前大量文献关注PCNN模型仿真实现研究的情况,本文基于PCNN模型提出了将最小交叉熵分割算法在FPGA硬件平台上进行实现.相比于传统的PCNN软件实现以及最大信息熵分割算法实现的方案,本文提出的图像分割方案最佳分割精准度高,具有处理速度快,实时性强,图像分割效果好的优势,应用范围更广,因此该设计具有较高实际应用价值.【期刊名称】《电子设计工程》【年(卷),期】2015(023)005【总页数】6页(P128-133)【关键词】PCNN;图像分割;最佳分割;最小交叉熵;FPGA【作者】封士永;康彬【作者单位】国电南瑞科技股份有限公司江苏南京211000;南京邮电大学江苏南京210003【正文语种】中文【中图分类】TP391脉冲耦合神经网络（Pulse Coupled Neural Network，PCNN）是由Eckhorn等人根据对猴、猫等哺乳动物视觉皮层神经系统中神经细胞之间信号传导特性的研究，创建的一种神经网络模型。

在PCNN中，具有相似输入的神经元同时发放脉冲，能弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整保留图像区域信息，这非常有益于将其应用于图像分割领域[1-2]。

基于PCNN模型的图像分割算法通常是在PC平台上用MATLAB软件编程实现，这种方式具有易于实现的特点，但是它的实时性和处理速度却不尽如人意。

随着硬件芯片性能越来越强大，研究热点逐步转向了在硬件上实现PNCC模型的图像分割。

以往，PCNN的硬件实现多数通过使用CMOS来实现，如Kinser提出采用复杂CMOS电路实现的完整PCNN 模型[3-6]。

这些硬件实现的诸多优势也逐渐显现出来，如实时性强，速度快等。

科技且基于脉冲耦合神经网络的火焰图像分割技术研究厉谨李力(西安工程大学电信学院，陕西西安710048)／一￡}商耍】。

火妥是我们日常生活最常见的一种灾害。

目前已经出现了许多火灾探测的技术，如测温、感烟、感光等。

传统的火灾报警系统并‘‘不检测火焰本身，所以存在误报率高、捡测时间较长等钝最。

／．暖嗣阙】火焰图像；区域周长；PCN N火灾是我们日常生活最常见的一种灾害。

目前已经出现了许多火灾探测的技术，如测温、感烟、感光等。

传统的火灾报警系统并不检测火焰本身，所以存在误报率高、检测时间较长等缺点。

数字图像处理技术是研究模拟人眼功能来完成人们某些工作的一门学科。

图像型火灾探测报警技术就是把数字图像技术和火灾相结合，对图像中可能存在的火焰依据特征来进行识别并实现自动报警的目的。

利用基于PC N N分割的火焰图像检测方法来实现火灾预报与传统的方澍目比可以有效地提高预报精度、缩短预报时间。

物质燃烧时同时也产生光辐射，火灾的各种热物理现象存在着大量的红外辐射，本文采用3．6—4．6u m波段的红外C C D摄像头进行火灾图像的摄取。

1火焰图像有效信息的获取对-T--利用摄像机所拍摄的视频一般来说摄得的图像大部分时间内背景应该是比较一致的，只需相看一下判断有无异常情况，在这我采用的方法是将两帧图像进行差值运算，再来观察图像灰度是否发生变化。

此算法的运算量不大，能满足系统实时性的要求。

A Pi(X，y)=P I仅，y)一P(×，Y)n)其中，P；(×，Y)为当前需处理的图像，P(×，Y)为基准图像。

当△P i=0时表示无异常；A Pj≠O时，表示可能存在异常，则需进行更深入的判断。

2基予PC N N的火焰图像的分割和提取经过差值处理后的图像可能有多个疑似火源的目标区域，区域分割即是找出火焰疑似区域并将有特征信息的区域从背景中分离出来。

在这里采用了脉冲耦合神经网络来进行分割。

‘脉冲耦合神经网络是在生物模型启发下产生的一种图像处理算法，该模型具有对图像二维空间相似、灰度相似的相素进行分组的特点，并能减少图像局部灰度差值，弥补图像局部微小间断，这是其他图像分割无法比拟的特点。

医学图像感兴趣区域(ROI)的分割三维重建算法研究摘要:在医学图像处理与分析过程中,医生通常最关心的信息仅占图像中的很小一部分,这部分就是所谓的感兴趣区域,即ROI(Region of Interest)[1],感兴趣区域包含着重要的诊断信息,这些信息是临床诊断和病理学研究的重要依据。

基于感兴趣区域的三维重建形成的可视三维图像结果能够帮助医生准确的识别各种组织和器官,并对其进行处理与分析,使诊断更有效、更轻松、更精准,同时它也为医学培训、医学研究和教学提供数字实现手段。

关键词:脉冲耦合神经网络活动轮廓模型Marching Cubes算法Studies Based on The Rol Division’s Three Dimensional Reconstructon AlgorithmAbstract:In medical image processing and analysis,the doctors are most concerned about the information usually only a small part of the image.this part of the so-called region of interest,namely ROI (Region of Interest),which contains important diagnostic information.clinical diagnosis and the information is an important basis for pathological study.The visual three-dimensional image results formed by three-dimensional reconstruction on ROI can help doctors accurately identify a variety of tissues and organs,and its processing andanalysis,making the diagnosis more effective,easier and more accurate.And it also for medical training,medical research and teaching digital implementation means.Key Words:PCNN;Active contour model;Marching Cubes Algorithm引言本文采用基于脉冲耦合神经网络与活动轮廓模型的图像分割算法对序列图像的感兴趣区域进行分割。

基于摄像头的心率检测算法研究近年来，人工智能技术的快速发展，使得基于图像处理的生物特征识别技术取得了重大突破，在医疗、安防、交通等领域得到了广泛应用。

其中，基于摄像头的心率检测算法，是一项非常有发展前景的技术。

摄像头心率检测算法是指通过摄像头拍摄人体的面部或手指，利用图像处理技术实时计算出人体的心率。

目前主要分为两种方法：一是利用脉冲耦合神经网络（PCNN）算法对视频信号进行处理，提取出心率信息；二是通过图像处理技术跟踪脉搏波形，进而计算心率。

对于第一种方法，脉冲耦合神经网络算法是一种非线性动力学模型，具有较好的脉冲处理能力。

通过PCNN算法，可以将视频信号转换为脉冲序列，再进一步提取出心率信息。

但是，该方法需要较大的数量级的数据进行学习和训练，且复杂度较高。

因此，该方法难以实现实时检测。

而对于第二种方法，由于人体脉搏的变化会导致人体皮肤产生微小的颜色变化，因此通过追踪皮肤颜色变化，可以实现人体心率的检测。

该方法不需要复杂的学习和训练，且速度较快，能够实现实时检测。

但是，该方法对于环境光线的干扰较大，且距离摄像头过远或过近都会影响检测效果。

在实际应用中，基于摄像头的心率检测算法可以应用于各种场景，如医疗机构、运动健身、睡眠监测等。

例如在运动健身领域，用户可以通过佩戴摄像头的设备，实时监测自己的心率，帮助调节运动强度和心率。

在医疗领域，患者可以通过手机等设备实时检测心率，及时发现心脏病等疾病的风险。

总的来说，基于摄像头的心率检测算法是一项非常有潜力的技术。

虽然目前还存在一些难以克服的技术难题，但是随着人工智能技术的不断发展，相信这项技术将会得到更好的发展和应用。