论文部分内容阅读
早在20世纪初，人们便知道人脑的工作方式和现在的计算机工作方式是不同的，人脑是由极大量的基本单元——神经元经过复杂的互相连接而形成的一种高度复杂的，非线性的，并行处理的信息处理系统。从模仿人脑智能的角度出发，来设计一种全新的计算机处理机构模型，构造出一种更加接近人类智能的信息化处理系统来解决实际工程和科学研究领域中的冯·诺依曼计算机难以解决的问题，这就促使人们研究人工神经网络系统。
脉冲耦合神经网络作为新一代的人工神经网络，和传统的人工神经网络模型相比有着很大的差别。PCNN具有脉冲发放和双通道调制现象，阈值动态可变，在具有外部神经元脉冲和激励信号输入时具有不应期和被捕获现象，神经元相互作用时体现了时间和空间的累加特性，很好地模拟了神经元的疲劳、不应期、脉冲激励的现象。在图像处理领域，显示出独特的优越性，对其展开深入应用研究具有重要的理论和现实意义。
本文对PCNN进行探讨，利用PCNN简化模型进行图像去噪方面的研究，提出了双向滤波模型和变步长灰度补偿模式，并分别应用于混合噪声的滤除和高斯噪声的滤除，解决了现有文献中存在的一些问题。
本文所做的研究工作以及取得的研究进展主要在以下几个方面：
一、综述PCNN的原始模型以及后续改进模型的原理。
二、探讨了传统人工神经网络和PCNN的差异，介绍了两者在现阶段的应用情况，并对其进行比较分析。
三、利用简化PCNN模型实现图像的去噪处理，得到了较好的效果。目前，利用PCNN进行图像去噪存在的问题有：灰度补偿模式单一，图像滤波中像素点耦合情况考虑不充分，从而影响图像滤波效果的质量。本文提出：变步长灰度补偿模式，并在此基础上，采用双向滤波模型分别对高斯噪声污染图像和混合噪声污染图像进行滤波处理，实验结果表明，与传统滤波方法相比，得到了较好的滤波效果。
四、在PCNN的基础上提出双向滤波模型：首先对图像进行反向预处理，再与正向滤波相结合以实现优化滤波器的效果，并成功地用于混合噪声的滤除。