一种基于神经网络提取图像特征的图像检索方法
- 格式：pdf
- 大小：362.89 KB
- 文档页数：5
中不仅包含了图像的灰度分布信息，更重要的是包 含了图像象素位置的空间信息，是一种空间自适应 类直方图（Ｓｐａｃｅ Ａｄａｐｔｉｖｅ Ｈｉｓｔｏｇｒａｍ，ＳＡＨ）。图 ２（ｃ），（ｄ）为一幅图在像素位置打乱重组前后的 ＳＡＨ，（ａ），（ｂ）分别为原始图和打乱重组后的图像。 显然由于口≠０时它们各不相同。
基于特征的图像检索方法【３Ｊ是通过对图像的 分析和提取特征向量，并与图像库对应的特征库中 的特征进行匹配获得图像检索的结果。由此可知， 基于特征的图像检索的关键是：第一，有效的特征提 取方法；第二，准确的特征匹配算法。
脉冲耦合神经网络（ＰＣＮＮ—ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕ— ｒａｌ ｎｅｔｗｏｒｋｓ）是在生物模型启发下产生的一种图像 处理算法，它是基于Ｅｃｋｈｏｒｎ提出的猫视觉皮层模 型的一种拓展，适合于基于视觉内容的特征提取，而 图像检索是基于图像的视觉内容的检索，因此，我们 提出了运用脉冲耦合神经网络提取图像的视觉特征 并基于此进行图像检索的方法。在接下来的部分， 我们介绍图像激励脉冲耦合神经网络所获得的点火
４改进后的点火时间信号特征提取
ＰＣＮＮ的基于邻近象素亮度相似性集群点火的 特性，使得ＰＣＮＮ具有对图像的自适应分割特
性【｜７｜，我们运用ＰＣＮＮ进行图像检索的基本思想 是：运用ＰＣＮＮ对图像进行自适应分割；对所分割 出的每个部分提取点火时间信号；将各部分的点火 时间信号级联作为整幅图像的特征用于图像检索。
ｋ
∑７＂ｆｔ碰是矩阵Ｍ中每行元素之和。相关量用以描述
ｋ
矩阵中行和列元素之间相似程度，它是灰度线性关
系的度量。
别采取纹理特征，点火时间信号特征，以及它们的组 合作为图像的特征进行图像检索。图４．５示出了部 分实验结果。其中左边第一幅图像为待检索图。从实 验结果均可以看出，点火时间信号特征比纹理特征 好，而两者相结合的效果更好。
［４］樊昀，王润生．面向内容检索的彩色图像分割［Ｊ］．计算 机研究与发展，２００２，３９（３）：３７６—３８１．
（下转第１２７页）
万方数据
笙！塑
堡董重量！二壅皇Ｉ！：￡Ｌ二垫±垄坠垫型竺苎堡：堡垦鳖：墨墨丝
：！兰Ｚ：
定理１０在定理８的假设条件下，Ｅ（ｘ）是（Ｐ） 的有效解的充要条件是存在ｉ∈Ｒ军，使得（三，ｊ）是 Ｌ（ｘ，Ｚ）相应于Ｚ的一个鞍点。
［３］ Ｊｅｙａｋｕｍａｒ Ｖ，Ｓｔｒｏｎｇ ａｎｄ ｗｅａｋ ｉｎｖｅｘｉｔｙ ｉｎ ｍａｔｈｅｍａｔｉｃａｌ ｐｒｏｇｒａｍｍｉｎｇ，Ｍｅｔｈｏｄ ｏｐｅｒａｔｉｏｎ Ｒｅｓｅａｒｃｈ．
［４］ 张庆祥．广义Ｅ（６，。）一凸半无限规划的最优性条件
［Ｊ］．纺织基础科学学报，１９９４，７（２）：１１６—１２０． 酪 １Ｊ Ｅ．Ａ．Ｙｏｕｎｅｓｓ，Ｅ—Ｃｏｎｖｅｘ Ｓｅｔｓ，Ｅ—Ｃｏｎｖｅｘ ｆｕｎｃｔｉｏｎｓ，
下四个特征表示纹理特征： （１）反差：
ＣＯＮ＝∑∑（ｈ—ｋ）２行ｚ触
（４）相关：
ＣＯＲ＝［∑∑ｈｋｍ从一∥∥，］伽， （１０）
ｈ
ｋ
（７）
其中心，产ｙ，％，ａｙ分别是＂ｋ，优ｙ的均值和标准差，
万方数据
第３期
宁晓菊：一种基于神经网络提取图像特征的图像检索方法
·９１·
ｍ。＝∑ｍ从是矩阵Ｍ中每列元素之和；优ｙ＝
万方数据
·９０·
西安邮电 学院学报
２００６年５月
围‘ｒ＃觳，ｑ］上的神经元点火，而这些元的点
火又可带动其邻域的的神经元点火，…，这时在同 一时刻ｔ发生点火的神经元数目就不仅仅象卢＝０ 时的类直方图那样只与图像中灰度为Ｖ０ｅ吖７０的像 素数目有关，而还与这一灰度像素的邻域内灰度满
足［Ｆ静，勘］的像素数目有关。因此这时ｇ（￡）
譬塑篆璺曼？：翌！奠曼≯冀誊崇堂譬芝冀：荨鬯黧望
经元的点火为自然点火，其点火周期Ｔ（Ｘｉ）与像素
葛～一主“舅一言”磊。蕉…夏一爵”蔷“蓓１…善“藉～莩”泰…昌“荛一茎…籍”蒿”亍现胭
丁（两）刊ｎ（老）
（２）
（３）神经元之间的局部连接（即』９≠０）使得某
个或某些神经元（ｉ，Ｊ）的点火可引起其邻域内满足
为建立类似于图像直方图的但既包含图像整体 灰度信息又包含有图像局部空间信息的特征，我们 引入点火时间信号
盘
匝 籁 １Ｒ 鼎 岳＊卜 ≤ 《
Ｏ
（ｄ）
图２一幅图像打乱前后口≠０时ＳＡＨ的比较
我们知道图像的整体灰度分布是图像特征的一 个侧面，图像的个性特征更重要的表现在图像像素 位置的空间特征上，这是直方图和卢＝０时的类直 方图所没能描述的特征，而正是ＰＣＮＮ基于局部连 接（卢≠０）的神经元的捕获点火特性能够描述的特 征。在ＰＣＮＮ中，由于引入了耦合，即口≠０，使得ｔ 时刻点火的神经元为ｚ？ｉ可带动其邻域内在灰度范
文有机的运用自适应图像分割和自适应图像特征提取，提出了一种新的图像特征——空间自适应类直方图，它既
包含了图像的空间位置特征，又包含了图像的灰度特征。最后，我们把空间自适应类直方图与传统的基于共生矩
阵的图像纹理特征组合作为图像的特征应用于图像检索。大量实验表明本文方法的有效性。
关键词：图像分割；特征提取；图像检索
图３示出了两种图像提取方法提取图像特征， 并利用图像特征检索图像库得到的前十幅检索结 果。这两种分别为直接对图像提取点火时间信号和 经图像分割对每一部分提取点火时间信号并级联。 左边第一幅图为待检索图像。从图３示出的检索结 果可以看出，对图像进行分割要比未对图像进行分 割的结果有所改善。
（ａ）未对图像进行分割
万方数据
法０吲燮怒：Ⅵ． 墨篁掌二弯氅中，一童堡煮翌蔓＝蔓塑篓叠。ｐ（％一ｔ／ｖ。Ｏ），故在这时的。ｇ（￡）记录的三曩吝象的
妻‘２竺出ｌ三曼鍪２２对应神经元的运行行为方 盖菡≥盖蚤舅信昌息强』蕊磊拦主杀ｏ”舅ａ毒”芡，爵－Ｊ翔的。”ｉ蒿。磊茹磊鞴妄赫磊磊耍≥爵
，摇！．』１：２耋冀睾麓蠢慧竺竺堂￡览筹璺；ｔ…是、黧目型……篓…竺查茬菡赢茏赢兰基藤竿慕苫鑫二的蓓灰；度蒜分磊器妊票：拦嘉票端蕊荔纛吾妥
６ 实验结果
实验中采用了含有３００多幅图片的图像库，分
（ａ）纹理特征检索结果
（ｂ）点火时间信号特征检索结果
（ｃ）两者结合检索结果
图４对荷花进行检索结果比较
（ａ）纹理特征检索结果
（ｂ）点火时间信号特征检索结果
（ｃ）两者结合检索结果 图５对玫瑰花进行检索结果比较
７结论
本文运用ＰＣＮＮ对图像的自适应分割和自适 应特征提取能力，并将两者结合，并结合图像的纹理 特征，提出了一种新的基于ＰＣＮＮ的图像特征提取 方法，并应用于图像检索，获得了良好结果。可以看 出将ＰＣＮＮ应用于图像特征的有效提取，并结合传 统的特征提取方法，可以获得优良的图像特征，在图 像检索，图像目标检测和识别等领域可有广泛前景。
Ｘｏ／（１－ｔ－皿加）≤Ｘ加＜Ｘｏ
（３）
口
的神 经元（Ｐ，ｑ）提前到与神经元（ｉ，歹）同时点火，
血 籁
称这些邻域神经元被捕获点火。可以看出网络的这
１Ｒ
些特性特别适合于进行图像特征提取。
鼎壬＊≮《Fra bibliotek３ 点火时间信号特征的描述
我们知道图像的统计直方图痧（ｚ）只包含了图 像像素亮度的统计特征，或在一定意义上描述了图 像的全局（整体）灰度特征；而不包含任何图像象素 位置的空间特征。
ｎ １Ｊ 贾礼平，张庆祥，惠小静．一类广义Ｅ６一凸半无限规划 问题的最优性条件．２００２年７月全第六届工业与应用 数学年会会议论文集．
隋 １Ｊ 张蕾蕾，张庆祥．一类广义Ｅ（６，，）一凸半无限规划问题 的最优性条件［Ｊ］．延安大学学报，２００４（４）：１３—１６．
ａｎｄ Ｅ—Ｃｏｎｖｅｘ ｐｒｏｇｒａｎｍａｉｎｇ，ＪｏＴＡ，１９９９，１０２（２）：
４３９—４５０．
№ １Ｊ Ｘ．Ｍ．Ｙａｎｇ，Ｏｎ Ｅ—Ｃｏｎｖｅｘ Ｓｅｔｓ，Ｅ—Ｃｏｎｖｅｘ ｆｕｎｃｔｉｏｎｓ， ａｎｄ Ｅ—Ｃｏｎｖｅｘ ｐｒｏｇｒａｍｍｉｎｇ，ＪＯＴＡ，２００１，１０９（３）：６９９
—７０４．
２００６年５月 第１１卷第３期
西安邮电学院学报 ＪＯＵＲＮＡＬ ＯＦ ＸＩ’ＡＮ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＰＯＳＴ ＡＮＤ ＴＥＬＥＣＯＭＭＵＮＩＣＡＴＩＯＮＳ
Ｍａｙ．２００６ Ｖ０１．１１ Ｎｏ．３
一种基于神经网络提取图像特征的图像检索方法
宁晓菊
（西安邮电学院计算机系，陕西西安７１００６１）
摘要：脉冲耦合神经网络是新一代的人工神经网络，具有优良的自适应图像分割和自适应图像特征提取能力。本
对于一幅灰度图像，用ＰＣＮＮ对图像进行分 割，相当于对图像的像素亮度进行了一次聚类，把图 像分成不同的亮度相似空间区域，并再在各个区域 提取点火时间信号作为特征。这里图像分割是从整 体上对图像处理，而对每一分割出的部分的点火时 间信号则描述了图像该分割区域的细节特征，故这 种整体图像分割、局部特征提取并级联能很好的反 映图像像素空间位置信息和灰度信息。
Ｓｔｅｐ ｆｕｎｃｔｉｏｎ
图ｌ ＰＣＮＮ神经元的简化模型
２ 脉冲耦合神经网络模型简介
脉冲耦合神经网络的简化数学模５／ｒ到［６３如式（１） 所示：
如（咒）＝Ｉｏ
Ｌ４（竹）＝Ⅵ∑％Ｋ如一１）
％（７２）＝Ｆｏ（ｎ）（１ ４－５Ｌ巧（咒））
（１）
收稿日期：２００５—１１—１７ 作者简介：宁晓菊（１９７９一），女，陕西西安人，西安邮电学院计算机系助教。
然而，我们认为图像的个性特征更多的体现在 图像像素位置的空间特征上，ＰＣＮＮ的神经元的捕 获点火正是由于ＰＣＮＮ神经元的局部连接特性和乘 积耦合特性所带来：
（１）当神经元（ｐ，ｑ）处于自然点火神经元（ｉ， 歹）的邻域内，（空间位置）
（２）当神经元（乡，ｑ）的灰度值ｚ御满足式（３） 时，（灰度关系）
神经元（ｐ，ｑ）被元（ｉ，ｊ）捕获点火。因此ＰＣＮＮ 神经元的捕获点火特性很好的反映了图像灰度的局 部空间特性。
基于特征的图像检索方法【３Ｊ是通过对图像的 分析和提取特征向量，并与图像库对应的特征库中 的特征进行匹配获得图像检索的结果。由此可知， 基于特征的图像检索的关键是：第一，有效的特征提 取方法；第二，准确的特征匹配算法。
脉冲耦合神经网络（ＰＣＮＮ—ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕ— ｒａｌ ｎｅｔｗｏｒｋｓ）是在生物模型启发下产生的一种图像 处理算法，它是基于Ｅｃｋｈｏｒｎ提出的猫视觉皮层模 型的一种拓展，适合于基于视觉内容的特征提取，而 图像检索是基于图像的视觉内容的检索，因此，我们 提出了运用脉冲耦合神经网络提取图像的视觉特征 并基于此进行图像检索的方法。在接下来的部分， 我们介绍图像激励脉冲耦合神经网络所获得的点火
４改进后的点火时间信号特征提取
ＰＣＮＮ的基于邻近象素亮度相似性集群点火的 特性，使得ＰＣＮＮ具有对图像的自适应分割特
性【｜７｜，我们运用ＰＣＮＮ进行图像检索的基本思想 是：运用ＰＣＮＮ对图像进行自适应分割；对所分割 出的每个部分提取点火时间信号；将各部分的点火 时间信号级联作为整幅图像的特征用于图像检索。
ｋ
∑７＂ｆｔ碰是矩阵Ｍ中每行元素之和。相关量用以描述
ｋ
矩阵中行和列元素之间相似程度，它是灰度线性关
系的度量。
别采取纹理特征，点火时间信号特征，以及它们的组 合作为图像的特征进行图像检索。图４．５示出了部 分实验结果。其中左边第一幅图像为待检索图。从实 验结果均可以看出，点火时间信号特征比纹理特征 好，而两者相结合的效果更好。
［４］樊昀，王润生．面向内容检索的彩色图像分割［Ｊ］．计算 机研究与发展，２００２，３９（３）：３７６—３８１．
（下转第１２７页）
万方数据
笙！塑
堡董重量！二壅皇Ｉ！：￡Ｌ二垫±垄坠垫型竺苎堡：堡垦鳖：墨墨丝
：！兰Ｚ：
定理１０在定理８的假设条件下，Ｅ（ｘ）是（Ｐ） 的有效解的充要条件是存在ｉ∈Ｒ军，使得（三，ｊ）是 Ｌ（ｘ，Ｚ）相应于Ｚ的一个鞍点。
［３］ Ｊｅｙａｋｕｍａｒ Ｖ，Ｓｔｒｏｎｇ ａｎｄ ｗｅａｋ ｉｎｖｅｘｉｔｙ ｉｎ ｍａｔｈｅｍａｔｉｃａｌ ｐｒｏｇｒａｍｍｉｎｇ，Ｍｅｔｈｏｄ ｏｐｅｒａｔｉｏｎ Ｒｅｓｅａｒｃｈ．
［４］ 张庆祥．广义Ｅ（６，。）一凸半无限规划的最优性条件
［Ｊ］．纺织基础科学学报，１９９４，７（２）：１１６—１２０． 酪 １Ｊ Ｅ．Ａ．Ｙｏｕｎｅｓｓ，Ｅ—Ｃｏｎｖｅｘ Ｓｅｔｓ，Ｅ—Ｃｏｎｖｅｘ ｆｕｎｃｔｉｏｎｓ，
下四个特征表示纹理特征： （１）反差：
ＣＯＮ＝∑∑（ｈ—ｋ）２行ｚ触
（４）相关：
ＣＯＲ＝［∑∑ｈｋｍ从一∥∥，］伽， （１０）
ｈ
ｋ
（７）
其中心，产ｙ，％，ａｙ分别是＂ｋ，优ｙ的均值和标准差，
万方数据
第３期
宁晓菊：一种基于神经网络提取图像特征的图像检索方法
·９１·
ｍ。＝∑ｍ从是矩阵Ｍ中每列元素之和；优ｙ＝
万方数据
·９０·
西安邮电 学院学报
２００６年５月
围‘ｒ＃觳，ｑ］上的神经元点火，而这些元的点
火又可带动其邻域的的神经元点火，…，这时在同 一时刻ｔ发生点火的神经元数目就不仅仅象卢＝０ 时的类直方图那样只与图像中灰度为Ｖ０ｅ吖７０的像 素数目有关，而还与这一灰度像素的邻域内灰度满
足［Ｆ静，勘］的像素数目有关。因此这时ｇ（￡）
譬塑篆璺曼？：翌！奠曼≯冀誊崇堂譬芝冀：荨鬯黧望
经元的点火为自然点火，其点火周期Ｔ（Ｘｉ）与像素
葛～一主“舅一言”磊。蕉…夏一爵”蔷“蓓１…善“藉～莩”泰…昌“荛一茎…籍”蒿”亍现胭
丁（两）刊ｎ（老）
（２）
（３）神经元之间的局部连接（即』９≠０）使得某
个或某些神经元（ｉ，Ｊ）的点火可引起其邻域内满足
为建立类似于图像直方图的但既包含图像整体 灰度信息又包含有图像局部空间信息的特征，我们 引入点火时间信号
盘
匝 籁 １Ｒ 鼎 岳＊卜 ≤ 《
Ｏ
（ｄ）
图２一幅图像打乱前后口≠０时ＳＡＨ的比较
我们知道图像的整体灰度分布是图像特征的一 个侧面，图像的个性特征更重要的表现在图像像素 位置的空间特征上，这是直方图和卢＝０时的类直 方图所没能描述的特征，而正是ＰＣＮＮ基于局部连 接（卢≠０）的神经元的捕获点火特性能够描述的特 征。在ＰＣＮＮ中，由于引入了耦合，即口≠０，使得ｔ 时刻点火的神经元为ｚ？ｉ可带动其邻域内在灰度范
文有机的运用自适应图像分割和自适应图像特征提取，提出了一种新的图像特征——空间自适应类直方图，它既
包含了图像的空间位置特征，又包含了图像的灰度特征。最后，我们把空间自适应类直方图与传统的基于共生矩
阵的图像纹理特征组合作为图像的特征应用于图像检索。大量实验表明本文方法的有效性。
关键词：图像分割；特征提取；图像检索
图３示出了两种图像提取方法提取图像特征， 并利用图像特征检索图像库得到的前十幅检索结 果。这两种分别为直接对图像提取点火时间信号和 经图像分割对每一部分提取点火时间信号并级联。 左边第一幅图为待检索图像。从图３示出的检索结 果可以看出，对图像进行分割要比未对图像进行分 割的结果有所改善。
（ａ）未对图像进行分割
万方数据
法０吲燮怒：Ⅵ． 墨篁掌二弯氅中，一童堡煮翌蔓＝蔓塑篓叠。ｐ（％一ｔ／ｖ。Ｏ），故在这时的。ｇ（￡）记录的三曩吝象的
妻‘２竺出ｌ三曼鍪２２对应神经元的运行行为方 盖菡≥盖蚤舅信昌息强』蕊磊拦主杀ｏ”舅ａ毒”芡，爵－Ｊ翔的。”ｉ蒿。磊茹磊鞴妄赫磊磊耍≥爵
，摇！．』１：２耋冀睾麓蠢慧竺竺堂￡览筹璺；ｔ…是、黧目型……篓…竺查茬菡赢茏赢兰基藤竿慕苫鑫二的蓓灰；度蒜分磊器妊票：拦嘉票端蕊荔纛吾妥
６ 实验结果
实验中采用了含有３００多幅图片的图像库，分
（ａ）纹理特征检索结果
（ｂ）点火时间信号特征检索结果
（ｃ）两者结合检索结果
图４对荷花进行检索结果比较
（ａ）纹理特征检索结果
（ｂ）点火时间信号特征检索结果
（ｃ）两者结合检索结果 图５对玫瑰花进行检索结果比较
７结论
本文运用ＰＣＮＮ对图像的自适应分割和自适 应特征提取能力，并将两者结合，并结合图像的纹理 特征，提出了一种新的基于ＰＣＮＮ的图像特征提取 方法，并应用于图像检索，获得了良好结果。可以看 出将ＰＣＮＮ应用于图像特征的有效提取，并结合传 统的特征提取方法，可以获得优良的图像特征，在图 像检索，图像目标检测和识别等领域可有广泛前景。
Ｘｏ／（１－ｔ－皿加）≤Ｘ加＜Ｘｏ
（３）
口
的神 经元（Ｐ，ｑ）提前到与神经元（ｉ，歹）同时点火，
血 籁
称这些邻域神经元被捕获点火。可以看出网络的这
１Ｒ
些特性特别适合于进行图像特征提取。
鼎壬＊≮《Fra bibliotek３ 点火时间信号特征的描述
我们知道图像的统计直方图痧（ｚ）只包含了图 像像素亮度的统计特征，或在一定意义上描述了图 像的全局（整体）灰度特征；而不包含任何图像象素 位置的空间特征。
ｎ １Ｊ 贾礼平，张庆祥，惠小静．一类广义Ｅ６一凸半无限规划 问题的最优性条件．２００２年７月全第六届工业与应用 数学年会会议论文集．
隋 １Ｊ 张蕾蕾，张庆祥．一类广义Ｅ（６，，）一凸半无限规划问题 的最优性条件［Ｊ］．延安大学学报，２００４（４）：１３—１６．
ａｎｄ Ｅ—Ｃｏｎｖｅｘ ｐｒｏｇｒａｎｍａｉｎｇ，ＪｏＴＡ，１９９９，１０２（２）：
４３９—４５０．
№ １Ｊ Ｘ．Ｍ．Ｙａｎｇ，Ｏｎ Ｅ—Ｃｏｎｖｅｘ Ｓｅｔｓ，Ｅ—Ｃｏｎｖｅｘ ｆｕｎｃｔｉｏｎｓ， ａｎｄ Ｅ—Ｃｏｎｖｅｘ ｐｒｏｇｒａｍｍｉｎｇ，ＪＯＴＡ，２００１，１０９（３）：６９９
—７０４．
２００６年５月 第１１卷第３期
西安邮电学院学报 ＪＯＵＲＮＡＬ ＯＦ ＸＩ’ＡＮ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＰＯＳＴ ＡＮＤ ＴＥＬＥＣＯＭＭＵＮＩＣＡＴＩＯＮＳ
Ｍａｙ．２００６ Ｖ０１．１１ Ｎｏ．３
一种基于神经网络提取图像特征的图像检索方法
宁晓菊
（西安邮电学院计算机系，陕西西安７１００６１）
摘要：脉冲耦合神经网络是新一代的人工神经网络，具有优良的自适应图像分割和自适应图像特征提取能力。本
对于一幅灰度图像，用ＰＣＮＮ对图像进行分 割，相当于对图像的像素亮度进行了一次聚类，把图 像分成不同的亮度相似空间区域，并再在各个区域 提取点火时间信号作为特征。这里图像分割是从整 体上对图像处理，而对每一分割出的部分的点火时 间信号则描述了图像该分割区域的细节特征，故这 种整体图像分割、局部特征提取并级联能很好的反 映图像像素空间位置信息和灰度信息。
Ｓｔｅｐ ｆｕｎｃｔｉｏｎ
图ｌ ＰＣＮＮ神经元的简化模型
２ 脉冲耦合神经网络模型简介
脉冲耦合神经网络的简化数学模５／ｒ到［６３如式（１） 所示：
如（咒）＝Ｉｏ
Ｌ４（竹）＝Ⅵ∑％Ｋ如一１）
％（７２）＝Ｆｏ（ｎ）（１ ４－５Ｌ巧（咒））
（１）
收稿日期：２００５—１１—１７ 作者简介：宁晓菊（１９７９一），女，陕西西安人，西安邮电学院计算机系助教。
然而，我们认为图像的个性特征更多的体现在 图像像素位置的空间特征上，ＰＣＮＮ的神经元的捕 获点火正是由于ＰＣＮＮ神经元的局部连接特性和乘 积耦合特性所带来：
（１）当神经元（ｐ，ｑ）处于自然点火神经元（ｉ， 歹）的邻域内，（空间位置）
（２）当神经元（乡，ｑ）的灰度值ｚ御满足式（３） 时，（灰度关系）
神经元（ｐ，ｑ）被元（ｉ，ｊ）捕获点火。因此ＰＣＮＮ 神经元的捕获点火特性很好的反映了图像灰度的局 部空间特性。
