一種適合處理顯微圖像pcnn模型的構建方法

一種適合處理顯微圖像pcnn模型的構建方法
【專利摘要】本發明公開了一種適合處理顯微圖像PCNN模型的構建方法，包括：分析無耦合連接和耦合連接狀態下二維脈沖耦合神經元的動力學特性；優化PCNN鏈接輸入L及反饋輸入F非線性方程的參數設置、處理圖像的局部信息自適應優化耦合鏈接強度β以及最佳利用輸出信息改進反復指數衰減的動態閾值θ，構建適合處理顯微組織圖像的PCNN模型；搭建多層次或三維脈沖耦合神經元模型，分析神經元動力學特征、形成多通道或多維PCNN模型；可進一步應用在中藥材顯微圖像的處理與分析中，有效提高中藥材評價的客觀性、準確性及智能化程度，為中藥材現代化檢測與分析提供一種新的途徑。
【專利說明】
一種適合處理顯微圖像PCNN模型的構建方法
技術領域
[0001] 本發明屬于生物醫學信息處理領域，尤其涉及一種適合處理顯微圖像PCNN模型的 構建方法。
【背景技術】
[0002] 脈沖耦合神經網絡(PCNN)是根據貓、猴等哺乳動物大腦視覺皮層上同步脈沖發放 現象提出的，有著良好的生物學背景，該模型具有動態變閾值、非線性調制耦合、同步脈沖 發放、動態脈沖發放及時空總和等特性，使得PCNN在信號處理應用，特別是在圖像處理應用 中顯示了巨大的優越性。但傳統PCNN模型還存在以下理論不足及技術缺點：
[0003] (1)該模型在非線性調制耦合和閾值指數衰變方面，其閾值衰減是反復變化的，這 種閾值變化不能很好地符合人眼對亮度響應的非線性指數要求，并且通過這種閾值規律處 理后的圖像(或其他信號）中大量信息蘊含在神經元的激活周期(頻率)或者激活相位中，而 輸出的圖像卻并不包含全部的可用信息；
[0004] (2)PCNN模型中大量漏電積分器和一些反饋連接的存在，雖然提高了模型仿生學 的逼近程度及生物處理信息的真實性，但這不僅增加了模型的復雜性，同時也加大了對信 號處理時間的開銷；
[0005] (3)傳統PCNN模型參數過多，對參數的（自動)設定及優化會增加許多困難；
[0006] (4)由于中藥材顯微圖像的復雜性與特殊性，傳統PCNN模型不適宜處理顯微組織 類圖像。

【發明內容】

[0007] 本發明的目的在于提供一種適合處理顯微圖像PCNN模型的構建方法，旨在解決傳 統PCNN模型閾值衰減是反復變化的，不能很好地符合人眼對亮度響應的非線性指數要求， 輸出的圖像不包含全部的可用信息，模型復雜，參數過多，不適宜處理顯微組織類圖像的問 題。
[0008] 本發明是這樣實現的，一種適合處理顯微圖像PCNN模型的構建方法，所述的適合 處理顯微圖像PCNN模型的構建方法包括：
[0009]步驟一、分析無耦合連接和耦合連接狀態下二維脈沖耦合神經元的動力學特性； [0010]步驟二、在當前圖像上隨機選擇一個像素點；通過變換視覺信息計算模型的窗口 大小，計算所述像素點與其鄰域對應的方向通道的最大能量；
[0011]步驟三、根據每個所述方向通道的最大能量確定所述視覺信息計算模型的最大尺 度和有效方向，根據所述最大尺度和所述有效方向確定PCNN模型的參數W和M，其中，Μ為反 饋輸入域的連接矩陣;W親合連接域的連接矩陣；
[0012]步驟四、基于Gabor函數計算所述像素點的ΚΧΚ鄰域內各個像素點的Μ的方向相似 性;其中，Κ為所確定的W的矩陣的行數或列數;如果所述方向相似性在指定范圍內，對所述Κ ΧΚ鄰域內的像素點進行一次點火，得到所述ΚΧΚ鄰域內的像素點的圖像分析數據；
[0013] 步驟五、依據中藥材顯微圖像的特征，優化PCNN模型的參數設置，從PCNN模型形態 結構和統計兩方面優化PCNN鏈接輸入L及反饋輸入F非線性方程的參數設置、處理圖像的局 部信息自適應優化耦合鏈接強度β以及最佳利用輸出信息改進反復指數衰減的動態閾值Θ， 構建適合處理顯微組織圖像的PCNN模型；
[0014] 步驟六、通過對中藥材顯微圖像體視學分析，根據多層次或三維顯微圖像特點，搭 建多層次或三維脈沖耦合神經元模型，分析神經元動力學特征、形成多通道或多維PCNN模 型;所述多通道或多維PCNN模型，通過分別將多幅圖像經NSCT變換后得到若干不同頻率子 圖像，并對應采用基于雙通道PCNN進行融合后確定融合圖像的各帶通子帶系數，最后通過 NSCT逆變換得到融合圖像；
[0015] 基于雙通道PCNN進行圖像融合的具體方法包括：
[0016] 第一步、對輸入的兩幅原始圖像在空間上進行像素級配準，保證兩幅圖像大小均 為 XXY;
[0017]第二步、通過非下采樣Contourlet變換分解已配準的兩幅源圖像，并分別獲得其 各自的一個低頻子圖像和若干高頻子圖像；
[0018] 第三步、初始化雙通道脈沖耦合神經網絡參數，設定神經網絡參數W，VL，β，Ve，咖和 At的值；
[0019]第四步、在每幅輸入圖像中查找5^_111￡?、3^_11^11;3^_11^<￥0，3^_11^11>〇;
[0020]第五步、得到神經網絡最大運行次數N和閾值查找表LT(s)，s為LT(s)的函數變量；
[0023]式中：t#Pt2分別為圖像中灰度值最大像素和最小像素的自然點火時間；
[0024] 第六步、將一個低頻子圖像和若干高頻子圖像作為分解系數通過雙通道脈沖耦合 神經網絡制定的融合規則進行融合；
[0025] 第七步、對第二步得到的各帶通子帶系數進行NSCT逆變換，得到最終的融合圖像；
[0026] 所述的PCNN模型形態結構和統計兩方面包含下列參數：
[0027]顯微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度、體密度、 面數密度、數密度、面密度、間距；
[0028] 利用下列公式運行PCNN模型：
[0029] Fij[n]=Sij
[0030] Lij[n] =VLXwijkiYki[n-l]
[0031] Uij[n] =Fij[n] (l+PLij[n])
[0032] . '
[0033] K, ' 1 |〇?
[0034] Iij[n] =N-n
[0035] 式中:Uij[n]為內部活動項，Yij[n]為PCNN脈沖輸出，Iij[n]為索引值；
[0036] 當n=l時，Lij[l]=0,則1^[1]=卩。[1]=5;[」，0。[1] = 1^(1'|-1) = 51111￡?，對應的反 饋輸入中值為Sij_max的神經元將自然點火;神經元點火后，輸出Yij[ 1 ] = 1，0ij[2]變為Ve，點 火神經元的索引值標記為k = N-l;
[0037] 所述適合處理顯微圖像PCNN模型還包括檢測優化模塊，該檢測優化模塊用于:將 采集到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括：
[0038] 利用預定過分割算法對所述圖像進行過分割和模板參數提取，對整個輸入圖像， 以8*8個像素為單元，計算每個單元的平均灰度值和每個單元的最大灰度值，得到至少一個 區域，同一個所述區域中各個像素點的顏色值相同；
[0039] 確定每個所述區域的顏色值和質心；
[0040] 根據各個區域所對應的顏色值以及各個區域的質心，建立所述顯著性模型；
[0041] 所述的顯著性模型為:\= 土 u_(/?,)Ds(孕為)久(矣,為）； M,j*i
[0042] 其中，Su為區域Ri中任一像素點的顯著性值，w (Rj)為區域Rj中的像素點的個數，Ds 浪兒）用于表征所述區域心和所述區域心之間空間位置差異的度量值，DcUhRj)用于表征 所述區域心和所述區域心之間顏色差異的度量值，N為對所述圖像進行過分割后得到的區域 的總個數，Ds (Ri，Rj)為：A (心尺,）=CXP(-/?,:) - C'tv伽，()): / σ、:）；Center (Ri) 述區域心的質心，CenteHRj為所述區域心的質心，當所述圖像中各個像素點的坐標均歸一 化到[0，1]時;=0.4 ,
[0043] 進一步，所述視覺信息計算模型的視覺信息搜索方法包括：
[0044] 存在樣本視覺信息；
[0045] 對樣本視覺信息進行全局信息提取與/或局部信息提取；
[0046] 對所提取的全局信息與/或局部信息進行再處理，并提取共性特征；
[0047]基于上述未處理與/或處理后的全局信息與/或局部信息的再處理特征建立特征 模型與/或索引；
[0048] 該特征模型與/或索引可以傳輸于網絡與/或網絡數據庫；
[0049] 使該樣本視覺信息的特征模型與/或索引在網絡與/或網絡數據庫中進行搜索；
[0050] 搜索到與該樣本視覺信息的特征模型與索引相關度最高的視覺信息結果，這個視 覺信息結果為目標視覺信息；
[0051] 將所述搜索到的目標視覺信息返回給用戶端；
[0052] 所述視覺信息搜索方法利用全局與/或局部特征各自的優勢，在進行特征模型與 索引的提取和建立以及搜索時，采用多模塊并行計算，并將結果進行有效融合；
[0053]所述樣本視覺信息生成樣本視覺信息是從互聯網上獲取已經存在的樣本視覺信 息；
[0054]獲取到的樣本視覺信息的顏色特征、紋理特征、形狀特征，以便從所述視覺信息上 獲取到能夠描述該視覺信息的樣本視覺信息；
[0055]所述的再處理至少包括加噪、變形、剪切、插入內容、旋轉、縮放以及亮度增減、模 糊化處理內容。
[0056] 進一步，所述模糊化處理具體包括：
[0057] 獲取預先設置的感應區域的滑動信息;縮小要模糊化處理的圖片；
[0058]在預先設置的對應關系中查找與獲得的滑動信息對應的模糊化處理方式;對所述 縮小后的圖片進行模糊化處理；
[0059]按照查找到的模糊化處理方式對圖片進行模糊化處理。對所述模糊化處理后的圖 片進行放大，得到所需的模糊化處理后的圖片；
[0060] 所述對應關系包括第一對應關系和第二對應關系，該方法之前還包括：
[0061] 設置滑動距離和模糊度的第一對應關系;設置滑動方向和模糊化處理方向的第二 對應關系；
[0062] 所述模糊化處理方向包括由模糊到清晰的方向或者由清晰到模糊的方向；所述滑 動方向包括由上至下的滑動和由下至上的滑動，或者由右至左的滑動和由左至右的滑動； [0063]對模糊化處理后的圖片進行處理;包括:將模糊化處理后的圖片設定為壁紙和/或 屏幕保護，保存模糊化處理后的圖片，或者結束本流程。
[0064] 進一步，所述NSCT逆變換的圖像融合方法包括以下步驟：
[0065] (1)將源圖像A和B分別進行非子采樣輪廓波變換，得到低頻子圖像YoA，Yo B和一系 列高頻子圖像￥1^，￥1^汰=1，2，一44為高頻子圖像的個數，由非子采樣輪廓波變換中金字 塔分解的級數和方向濾波分解的方向數決定；
[0066] (2)對一系列高頻子圖像￥1/，￥1^汰=1，2，~，財卩低頻子圖像￥ ()^進行融合：
[0067] (a)按照以下步驟對一系列高頻子圖像￥1/，￥1^汰=1，2，一4進行融合：
[0068] (b)按照以下步驟對低頻子圖像進行融合：
[0069] 在YoA選取一個窗口Aj，在YoB選取一個窗口Bj，Aj與Bj表不大小相同的同一區域，
[0070] (bl)設Aj對應的區域圖像為epBj對應的區域圖像為灼，將W和灼的方差與梯度分 別與預定的臨界方差和臨界梯度做比較，判斷ept是否滿足可分割條件;判斷ejPt是否 滿足可分割條件:將ej的方差Dev a和梯度Grada*別與預定的臨界方差Devo和臨界梯度Grado 做比較，若Dev a>Devo且Grada>Grado，ej滿足可分割條件，否貝lj，不滿足;f j的判斷方式同 ej;
[0071] (b2)根據步驟(bl)的判斷結果對W與fj進行融合：
[0072] 若eJPfj均不滿足:將Υ〇Α與Υ〇Β分別分割為兩個區域，將分割后的Υ〇Α與聯得到 G，G包括四個區域，計算ej，fj的平均像素灰度值，將其分別與YoA和￥<^的分割閾值比較，確定 屬于G的哪一個區域類型，比較幻，6對應像素點的像素灰度值大小，根據幻，6的區域 類型，選擇像素灰度值大或者小的像素點作為融合后相應區域的相應像素點；
[0073] 若^和心中的一個滿足可分割條件:設q滿足可分割條件，t不滿足可分割條件， 將W分割為兩個區域，f』作為一個區域，將分割后的^與t關聯，得到關聯圖像 Cj，Cj包含兩 個區域，依照W的區域劃分方式分別將ejPfj劃分為兩個區域，將^和6的區域對應，比較對 應區域內對應像素點的像素灰度值大小，根據區域類型，選擇像素灰度值大或者小的像素 點作為融合后相應區域的相應像素點；
[0074] 若ej和fj均滿足可分割條件:將ej和fj分別分割為兩個區域，將分割后的ej和f j關 聯得到包括四個區域，依照W的區域劃分方式分別將W和灼劃分為相同的四個區域，分 另IJ用00、01、10、11表示，將^和6的區域對應，根據區域類型，選擇像素灰度值大或者小的像 素點作為融合后相應區域的相應像素點；
[0075] (b3)Aj和Bj采用單像素的移動速度，按照步驟(b2)的方式，逐行逐列遍歷YoA和 Y〇 B，得到低頻子圖像融合結果Y〇F;
[0076] (3)對Y/，Y/，Y/，…，Y/與Yol行非子采樣輪廓波逆變換，得到最終融合結果F。 [0077]本發明根據中藥材顯微組織圖像的特征，將體視學與顯微圖像分析相結合，以顯 微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度等參數以及體密度、面 數密度、數密度、面密度、間距等參數為處理分析依據，在傳統PCNN模型的基礎上，構建完善 的PCNN模型，并在應用中根據處理目的的需要優化及簡化參數設置，完善耦合鏈接強度及 動態指數閾值等，建立適合處理顯微組織圖像的二維PCNN模型；從考慮同一中藥材樣本的 多幅二維顯微圖像及三維圖像的體視學關系出發，分析PCNN生物視覺系統的模數混合處 理、串并聯混合處理、動態自適應處理、非線性調制耦非線性調制耦合、同步脈沖發放、空時 編碼的特性關系，搭建適合處理中藥材顯微圖像的多通道或三維PCNN模型，可進一步提高 中藥材質量評價的客觀性、準確性、可重復性和智能化程度，為中藥材檢測與分析的現代化 提供一種新的途徑。本發明的視覺信息搜索方法，可以準確針對圖片、圖像及視頻的具體內 容進行搜索，基于這種方式搜索出來的視覺信息內容，無需與圖片、視頻的關鍵字的內容相 關聯，而與用戶真正想搜索的圖片視頻內容相符合，同時可以返回多個用戶想要的結果，容 易實現及操作。本發明能夠降低圖片模糊化處理時所需的開銷;實現了更加便捷、直觀的模 糊化處理圖片，增強了用戶的體驗感。
【附圖說明】
[0078]圖1是本發明實施例提供的適合處理顯微圖像PCNN模型的構建方法流程圖。
【具體實施方式】
[0079]為能進一步了解本發明的
【發明內容】
、特點及功效，茲例舉以下實施例，并配合附圖 詳細說明如下。
[0080] 請參閱圖1:
[00811中藥材顯微圖像獲取預處理及建庫：
[0082 ] (1)擬根據藥典收載分布在甘肅省不同地域的當歸、黨參、甘草、大黃、黃芪、百合、 麻黃、柴胡、板藍根、茴香、紅花、天麻、貝母等幾百種藥用植物為研究的原始對象，在不同藥 材生長季節從生長地采集道地藥材樣本(或藥材花粉樣本），同時用高分辨率數碼相機獲取 中藥形態圖像。
[0083] (2)在經過多名中藥栽培和鑒定專家初步識別與鑒定的基礎上取樣、粉末化前處 理、切片制作等處理，最后通過掃描電鏡(或光學顯微鏡)分別獲取標本的5-10個視野顯微 圖像、花粉顯微圖像的原始圖像。
[0084] (3)對顯微圖像獲取過程中由于光線亮暗不均勻等因素，造成圖像曝光不足或曝 光過度的圖像引入圖像直方圖修正或灰度非線性變換等算法實現圖像增強;對環境條件、 CCD相機及其他傳感器件影響，導致獲取圖像產生的噪聲干擾，分別運用中值濾波、維納濾 波等方法達到圖像濾波目的。
[0085] (4)使用大型關系數據庫管理系統Oracle構建中藥材顯微圖像信息庫。
[0086] (5)構建適合處理顯微圖像的PCNN模型及中藥材顯微圖像處理。
[0087] 一種適合處理顯微圖像PCNN模型的構建方法，包括：
[0088] S101、分析無親合連接和親合連接狀態下二維脈沖親合神經元的動力學特性；
[0089] S102、在當前圖像上隨機選擇一個像素點；通過變換視覺信息計算模型的窗口大 小，計算所述像素點與其鄰域對應的方向通道的最大能量；
[0090] S103、根據每個所述方向通道的最大能量確定所述視覺信息計算模型的最大尺度 和有效方向，根據所述最大尺度和所述有效方向確定PCNN模型的參數W和M，其中，Μ為反饋 輸入域的連接矩陣;W親合連接域的連接矩陣；
[0091] S104、基于Gabor函數計算所述像素點的ΚΧΚ鄰域內各個像素點的Μ的方向相似 性;其中，Κ為所確定的W的矩陣的行數或列數;如果所述方向相似性在指定范圍內，對所述Κ ΧΚ鄰域內的像素點進行一次點火，得到所述ΚΧΚ鄰域內的像素點的圖像分析數據；
[0092] S105、依據中藥材顯微圖像的特征，優化PCNN模型的參數設置，從PCNN模型形態結 構和統計兩方面優化PCNN鏈接輸入L及反饋輸入F非線性方程的參數設置、處理圖像的局部 信息自適應優化耦合鏈接強度β以及最佳利用輸出信息改進反復指數衰減的動態閾值Θ，構 建適合處理顯微組織圖像的PCNN模型；
[0093] S106、通過對中藥材顯微圖像體視學分析，根據多層次或三維顯微圖像特點，搭建 多層次或三維脈沖耦合神經元模型，分析神經元動力學特征、形成多通道或多維PCNN模型。 [0094]進一步，所述視覺信息計算模型的視覺信息搜索方法包括：
[0095]存在樣本視覺信息；
[0096] 對樣本視覺信息進行全局信息提取與/或局部信息提取；
[0097] 對所提取的全局信息與/或局部信息進行再處理，并提取共性特征；
[0098]基于上述未處理與/或處理后的全局信息與/或局部信息的再處理特征建立特征 模型與/或索引；
[0099] 該特征模型與/或索引可以傳輸于網絡與/或網絡數據庫；
[0100] 使該樣本視覺信息的特征模型與/或索引在網絡與/或網絡數據庫中進行搜索；
[0101] 搜索到與該樣本視覺信息的特征模型與索引相關度最高的視覺信息結果，這個視 覺信息結果為目標視覺信息；
[0102] 將所述搜索到的目標視覺信息返回給用戶端；
[0103] 所述視覺信息搜索方法利用全局與/或局部特征各自的優勢，在進行特征模型與 索引的提取和建立以及搜索時，采用多模塊并行計算，并將結果進行有效融合；
[0104] 所述樣本視覺信息生成樣本視覺信息是從互聯網上獲取已經存在的樣本視覺信 息；
[0105] 獲取到的樣本視覺信息的顏色特征、紋理特征、形狀特征，以便從所述視覺信息上 獲取到能夠描述該視覺信息的樣本視覺信息；
[0106] 所述的再處理至少包括加噪、變形、剪切、插入內容、旋轉、縮放以及亮度增減、模 糊化處理內容。
[0107] 進一步，所述模糊化處理具體包括：
[0108] 獲取預先設置的感應區域的滑動信息;縮小要模糊化處理的圖片；
[0109]在預先設置的對應關系中查找與獲得的滑動信息對應的模糊化處理方式;對所述 縮小后的圖片進行模糊化處理；
[0110]按照查找到的模糊化處理方式對圖片進行模糊化處理。對所述模糊化處理后的圖 片進行放大，得到所需的模糊化處理后的圖片；
[0111] 所述對應關系包括第一對應關系和第二對應關系，該方法之前還包括：
[0112] 設置滑動距離和模糊度的第一對應關系;設置滑動方向和模糊化處理方向的第二 對應關系；
[0113] 所述模糊化處理方向包括由模糊到清晰的方向或者由清晰到模糊的方向；所述滑 動方向包括由上至下的滑動和由下至上的滑動，或者由右至左的滑動和由左至右的滑動； [0114]對模糊化處理后的圖片進行處理;包括:將模糊化處理后的圖片設定為壁紙和/或 屏幕保護，保存模糊化處理后的圖片，或者結束本流程。
[0115] 進一步，所述多通道或多維PCNN模型，通過分別將多幅圖像經NSCT變換后得到若 干不同頻率子圖像，并對應采用基于雙通道PCNN進行融合后確定融合圖像的各帶通子帶系 數，最后通過NSCT逆變換得到融合圖像。
[0116] 進一步，基于雙通道PCNN進行圖像融合的具體方法包括：
[0117] 步驟一、對輸入的兩幅原始圖像在空間上進行像素級配準，保證兩幅圖像大小均 為 XXY;
[0118]步驟二、通過非下采樣Contourlet變換分解已配準的兩幅源圖像，并分別獲得其 各自的一個低頻子圖像和若干高頻子圖像；
[0119] 步驟三、初始化雙通道脈沖耦合神經網絡參數，設定神經網絡參數W，VL，β，Ve，咖和 At的值；
[0120] αθ*θ^[η]的衰減時間常數；At為時間采樣間隔;β為突觸之間連接強度常數；
[0121] Yij[n]為PCNN脈沖輸出;Yki[n-1]為PCNN上一次脈沖輸出；內部連接矩陣W中的 Wijki 對應U j [ η ]中Yki [ η-1 ]的加權系數；
[0122] η為網絡的運行次數，η = 1，2,. . .，Ν-1，Ν，Ν為最大運行次數；
[0123] 步驟四、在每幅輸入圖像中查找Sij^nSibin; Sij_max<Ve，Sij_min>0;
[0124] 步驟五、得到神經網絡最大運行次數N和閾值查找表LT(s)，s為LT(s)的函數變量；
[0128] 式中：t#Pt2分別為圖像中灰度值最大像素和最小像素的自然點火時間；
[0129] 步驟六、將一個低頻子圖像和若干高頻子圖像作為分解系數通過雙通道脈沖耦合 神經網絡制定的融合規則進行融合；
[0130] 步驟七、對步驟二得到的各帶通子帶系數進行NSCT逆變換，得到最終的融合圖像。 [0131 ]進一步，所述的PCNN模型形態結構和統計兩方面包含下列參數：
[0132] 顯微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度、體密度、 面數密度、數密度、面密度、間距。
[0133] 進一步，利用下列公式運行PCNN模型模型：
[0134] Fij[n] =Sij
[0135] Lij [η] = VL Σ ffijkiYki[n-l ]
[0136] Uij[n] =Fij[n] (l+PLij[n])
[0137] 卜i、 t rr i j.1，
[0138] L卜 ' r j |o? §α?Μ<θΜ
[0139] Iij[n] =N-n
[0140] 式中:Uij[n]為內部活動項，Yij[n]為PCNN脈沖輸出，Iij[n]為索引值；
[0141] 當n=l時，Lij[l]=0,則1^[1]=卩。[1]=3;[]_，0。[1] = 1^(1^-1) = 31']-111￡1)%對應的反 饋輸入中值為Sij_ max的神經元將自然點火;神經元點火后，輸出Yij[ 1 ] = 1，0ij[2]變為V0，點 火神經元的索引值標記為k = N-l。
[0142] 進一步，所述適合處理顯微圖像PCNN模型還包括檢測優化模塊，該檢測優化模塊 用于：
[0143] 將采集到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括：
[0144] 利用預定過分割算法對所述圖像進行過分割，和模板參數提取，對整個輸入圖像， 以8*8個像素為單元，計算每個單元的平均灰度值和每個單元的最大灰度值，得到至少一個 區域，同一個所述區域中各個像素點的顏色值相同；
[0145] 確定每個所述區域的顏色值和質心；
[0146] 根據各個區域所對應的顏色值以及各個區域的質心，建立所述顯著性模型。
[0147] 進一步，所述的所述顯著性模型為Σ
[0148] 其中，Su為區域Ri中任一像素點的顯著性值，w (Rj)為區域Rj中的像素點的個數，Ds 浪兒）用于表征所述區域心和所述區域心之間空間位置差異的度量值，DcUhRj)用于表征 所述區域心和所述區域心之間顏色差異的度量值，N為對所述圖像進行過分割后得到的區域 的總個數，Ds(Ri，Rj)為：A ("/，乂）:= exP(-(~伽狀.）-（'(·敗".())2 Z < ^ 述區域心的質心，CenteHRj為所述區域心的質心，當所述圖像中各個像素點的坐標均歸一 化到[0，1]時；0f =0·4β
[0149] 進一步，所述NSCT逆變換的圖像融合方法包括以下步驟：
[0150] (1)將源圖像A和B分別進行非子采樣輪廓波變換，得到低頻子圖像YoA，Yo B和一系 列高頻子圖像￥1^，￥1^汰=1，2，一44為高頻子圖像的個數，由非子采樣輪廓波變換中金字 塔分解的級數和方向濾波分解的方向數決定；
[0151] (2)對一系列高頻子圖像￥^，￥二1^=1，2，~4和低頻子圖像￥()^進行融合：
[0152] (a)按照以下步驟對一系列高頻子圖像￥1/，￥1^汰=1，2，一4進行融合：
[0153] (b)按照以下步驟對低頻子圖像進行融合：
[0154]在YoA選取一個窗口Aj，在YoB選取一個窗口Bj，Aj與Bj表不大小相同的同一區域，
[0155] (bl)設Aj對應的區域圖像為ej，Bj對應的區域圖像為灼，將^和灼的方差與梯度分 別與預定的臨界方差和臨界梯度做比較，判斷ept是否滿足可分割條件;判斷ejPt是否 滿足可分割條件:將ej的方差Dev a和梯度Grada*別與預定的臨界方差Devo和臨界梯度Grado 做比較，若Dev a>Devo且Grada>Grado，ej滿足可分割條件，否貝lj，不滿足;f j的判斷方式同 ej;
[0156] (b2)根據步驟(bl)的判斷結果對幻與t進行融合：
[0157] 若eJPfj均不滿足:將Υ〇Α與Υ〇Β分別分割為兩個區域，將分割后的Υ〇Α與Υ〇1聯得到 G，G包括四個區域，計算 ej，fj的平均像素灰度值，將其分別與YoA和￥<^的分割閾值比較，確定 屬于G的哪一個區域類型，比較幻，6對應像素點的像素灰度值大小，根據幻，6的區域 類型，選擇像素灰度值大或者小的像素點作為融合后相應區域的相應像素點；
[0158] 若^和心中的一個滿足可分割條件:設q滿足可分割條件，t不滿足可分割條件， 將W分割為兩個區域，f』作為一個區域，將分割后的^與t關聯，得到關聯圖像 Cj，Cj包含兩 個區域，依照W的區域劃分方式分別將ejPfj劃分為兩個區域，將^和6的區域對應，比較對 應區域內對應像素點的像素灰度值大小，根據區域類型，選擇像素灰度值大或者小的像素 點作為融合后相應區域的相應像素點；
[0159] 若ej和fj均滿足可分割條件:將ej和fj分別分割為兩個區域，將分割后的ej和f j關 聯得到包括四個區域，依照W的區域劃分方式分別將W和灼劃分為相同的四個區域，分 另IJ用00、01、10、11表示，將^和6的區域對應，根據區域類型，選擇像素灰度值大或者小的像 素點作為融合后相應區域的相應像素點；
[0160] (b3)Aj和Bj采用單像素的移動速度，按照步驟(b2)的方式，逐行逐列遍歷YoA和 Y〇B，得到低頻子圖像融合結果Y〇F;
[0161] (3)對Y/，Y/，Y/，…，Y/與Yol行非子采樣輪廓波逆變換，得到最終融合結果F。
[0162] 本發明根據中藥材顯微組織圖像的特征，將體視學與顯微圖像分析相結合，以顯 微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度等參數以及體密度、面 數密度、數密度、面密度、間距等參數為處理分析依據，在傳統PCNN模型的基礎上，構建完善 的PCNN模型，并在應用中根據處理目的的需要優化及簡化參數設置，完善耦合鏈接強度及 動態指數閾值等，建立適合處理顯微組織圖像的二維PCNN模型；從考慮同一中藥材樣本的 多幅二維顯微圖像及三維圖像的體視學關系出發，分析PCNN生物視覺系統的模數混合處 理、串并聯混合處理、動態自適應處理、非線性調制耦非線性調制耦合、同步脈沖發放、空時 編碼的特性關系，搭建適合處理中藥材顯微圖像的多通道或三維PCNN模型，可進一步提高 中藥材質量評價的客觀性、準確性、可重復性和智能化程度，為中藥材檢測與分析的現代化 提供一種新的途徑。
[0163] 以上所述僅是對本發明的較佳實施例而已，并非對本發明作任何形式上的限制， 凡是依據本發明的技術實質對以上實施例所做的任何簡單修改，等同變化與修飾，均屬于 本發明技術方案的范圍內。
【主權項】
1. 一種適合處理顯微圖像PO^N模型的構建方法，其特征在于，所述的適合處理顯微圖 像PCNN模型的構建方法包括： 步驟一、分析無禪合連接和禪合連接狀態下二維脈沖禪合神經元的動力學特性； 步驟二、在當前圖像上隨機選擇一個像素點;通過變換視覺信息計算模型的窗口大小， 計算所述像素點與其鄰域對應的方向通道的最大能量； 步驟Ξ、根據每個所述方向通道的最大能量確定所述視覺信息計算模型的最大尺度和 有效方向，根據所述最大尺度和所述有效方向確定PO^N模型的參數W和M，其中，Μ為反饋輸 入域的連接矩陣;W禪合連接域的連接矩陣； 步驟四、基于Gabor函數計算所述像素點的ΚΧΚ鄰域內各個像素點的Μ的方向相似性； 其中，Κ為所確定的W的矩陣的行數或列數;如果所述方向相似性在指定范圍內，對所述ΚΧΚ 鄰域內的像素點進行一次點火，得到所述Κ ΧΚ鄰域內的像素點的圖像分析數據； 步驟五、依據中藥材顯微圖像的特征，優化PC順模型的參數設置，從PC順模型形態結構 和統計兩方面優化PCNN鏈接輸入L及反饋輸入巧自線性方程的參數設置、處理圖像的局部信 息自適應優化禪合鏈接強度ew及最佳利用輸出信息改進反復指數衰減的動態闊值Θ，構建 適合處理顯微組織圖像的PCN飾莫型； 步驟六、通過對中藥材顯微圖像體視學分析，根據多層次或Ξ維顯微圖像特點，搭建多 層次或Ξ維脈沖禪合神經元模型，分析神經元動力學特征、形成多通道或多維PCN飾莫型;所 述多通道或多維PC順模型，通過分別將多幅圖像經NSCT變換后得到若干不同頻率子圖像， 并對應采用基于雙通道PO^N進行融合后確定融合圖像的各帶通子帶系數，最后通過NSCT逆 變換得到融合圖像； 所述的PCNN模型形態結構和統計兩方面包含下列參數： 顯微圖像的截面積、周長、最大直徑、等效直徑、長寬比、圓形度、球化度、體密度、面數 密度、數密度、面密度、間距； 利用下列公式運行PCNN模型： Fij[n] = Sij Lij[n]=化 Xwi 北1化i[n-l] Uij[n]=Fij[n](l+0Lij[n])Iu[n]=N-n 式中:Uij[n]為內部活動項，Yij[n]為PCNN脈沖輸出，Iij[n]為索引值； 當n = l時，Lij[l]=0,則Uij[l]=Fij[l]=Sij，目ij[l]=LT(N-l) = Sij_max，對應的反饋輸 入中值為Sij_max的神經元將自然點火;神經元點火后，輸出Yij山= 1，01J[2]變為Ve，點火神 經元的索引值標記為Iu = N-l; 基于雙通道PCNN進行圖像融合的具體方法包括： 第一步、對輸入的兩幅原始圖像在空間上進行像素級配準，保證兩幅圖像大小均為XX Y; 第二步、通過非下采樣Contourlet變換分解已配準的兩幅源圖像，并分別獲得其各自 的一個低頻子圖像和若干高頻子圖像； 第Ξ步、初始化雙通道脈沖禪合神經網絡參數，設定神經網絡參數W，化，β,νθ,αβ和At 的值； 束四步、在母幅輸入圖像中查找Sij_niax、Sijjnin; Sij_niax< Ve , Sij_min〉0 ; 第五步、得到神經網絡最大運行次數N和闊值查找表LT(s)，s為LT(s)的函數變量；式中：ti和t2分別為圖像中灰度值最大像素和最小像素的自然點火時間； 第六步、將一個低頻子圖像和若干高頻子圖像作為分解系數通過雙通道脈沖禪合神經 網絡制定的融合規則進行融合； 第屯步、對第二步得到的各帶通子帶系數進行NSCT逆變換，得到最終的融合圖像； 所述適合處理顯微圖像PCW#莫型還包括檢測優化模塊，該檢測優化模塊用于:將采集 到的圖像建立圖像的顯著模型，所述建立圖像的顯著性模型包括： 利用預定過分割算法對所述圖像進行過分割和模板參數提取，對整個輸入圖像，W8*8 個像素為單元，計算每個單元的平均灰度值和每個單元的最大灰度值，得到至少一個區域， 同一個所述區域中各個像素點的顏色值相同； 確定每個所述區域的顏色值和質屯、； 根據各個區域所對應的顏色值W及各個區域的質屯、，建立所述顯著性模型； 所述的顯著性模型為：其中，Sii為區域Ri中任一像素點的顯著性值，w(Rj)為區域扣中的像素點的個數，Ds(Ri, Rj)用于表征所述區域Ri和所述區域扣之間空間位置差異的度量值，Dc(Ri，Rj)用于表征所述 區域Ri和所述區域咕之間顏色差異的度量值，N為對所述圖像進行過分割后得到的區域的總 個數，Ds(Ri，Rj)為:A (《.，R,.) = 似.()-(、州w.( /口.]) ;Cente^Ri)為所述區域 Ri的質屯、，Center(Rj)為所述區域Rj的質屯、，當所述圖像中各個像素點的坐標均歸一化到 [0，1]時;().4:.2.如權利要求1所述的適合處理顯微圖像PO^N模型的構建方法，其特征在于，所述視覺 信息計算模型的視覺信息捜索方法包括： 存在樣本視覺信息； 對樣本視覺信息進行全局信息提取與/或局部信息提取； 對所提取的全局信息與/或局部信息進行再處理，并提取共性特征； 上述未處理與/或處理后的全局信息與/或局部信息的再處理特征建立特征模型與/或 索引； 該特征模型與/或索引傳輸于網絡與/或網絡數據庫； 使該樣本視覺信息的特征模型與/或索引在網絡與/或網絡數據庫中進行捜索； 捜索到與該樣本視覺信息的特征模型與索引相關度最高的視覺信息結果，運個視覺信 息結果為目標視覺信息； 將所述捜索到的目標視覺信息返回給用戶端； 所述視覺信息捜索方法利用全局與/或局部特征各自的優勢，在進行特征模型與索引 的提取和建立W及捜索時，采用多模塊并行計算，并將結果進行有效融合； 所述樣本視覺信息生成樣本視覺信息是從互聯網上獲取已經存在的樣本視覺信息. 獲取到的樣本視覺信息的顏色特征、紋理特征、形狀特征，W便從所述視覺信息上獲取 到能夠描述該視覺信息的樣本視覺信息； 所述的再處理至少包括加噪、變形、剪切、插入內容、旋轉、縮放W及亮度增減、模糊化 處理內容； 所述模糊化處理具體包括： 獲取預先設置的感應區域的滑動信息;縮小要模糊化處理的圖片； 在預先設置的對應關系中查找與獲得的滑動信息對應的模糊化處理方式;對所述縮小 后的圖片進行模糊化處理； 按照查找到的模糊化處理方式對圖片進行模糊化處理，對所述模糊化處理后的圖片進 行放大，得到所需的模糊化處理后的圖片； 所述對應關系包括第一對應關系和第二對應關系，該方法之前還包括： 設置滑動距離和模糊度的第一對應關系;設置滑動方向和模糊化處理方向的第二對應 關系； 所述模糊化處理方向包括由模糊到清晰的方向或者由清晰到模糊的方向；所述滑動方 向包括由上至下的滑動和由下至上的滑動，或者由右至左的滑動和由左至右的滑動； 對模糊化處理后的圖片進行處理;包括:將模糊化處理后的圖片設定為壁紙和/或屏幕 保護，保存模糊化處理后的圖片，或者結束本流程。3.如權利要求1所述的適合處理顯微圖像PC順模型的構建方法，其特征在于，所述NSCT 逆變換的圖像融合方法包括W下步驟： (1) 將源圖像A和B分別進行非子采樣輪廓波變換，得到低頻子圖像Y〇A，Y〇哺一系列高頻 子圖像ΥιΛ化B，k=i，2,…，N，N為高頻子圖像的個數，由非子采樣輪廓波變換中金字塔分解 的級數和方向濾波分解的方向數決定； (2) 對一系列高頻子圖像YlΛYkB，k=l，2，…，N和低頻子圖像YoA，YoB進行融合： (a) 按照W下步驟對一系列高頻子圖像YlΛYkB，k=l，2，…，N進行融合： (b) 按照W下步驟對低頻子圖像進行融合： 在Y〇A選取一個窗口 Aj，在Y〇B選取一個窗口Bj，Aj與Bj表示大小相同的同一區域， (bl)設Aj對應的區域圖像為ej，Bj對應的區域圖像為扣將e誠。的方差與梯度分別與 預定的臨界方差和臨界梯度做比較，判斷ej，。是否滿足可分割條件;判斷e神日。是否滿足 可分割條件:將ej的方差Deva和梯度Grada分別與預定的臨界方差Devo和臨界梯度Grado做比 較，若Deva>Devo且Grada>Grado，ej滿足可分割條件，否則，不滿足;f j的判斷方式同ej; (b2)根據步驟(bl)的判斷結果對ej與進行融合： 若e麻f期不滿足:將Y〇A與Y〇B分別分割為兩個區域，將分割后的Y〇A與γ〇Β關聯得至化，G包 括四個區域，計算ej，。的平均像素灰度值，將其分別與Υ〇Α和Υ〇Β的分割闊值比較，確定ej，fj 屬于G的哪一個區域類型，比較ej，。對應像素點的像素灰度值大小，根據ej，fj的區域類型， 選擇像素灰度值大或者小的像素點作為融合后相應區域的相應像素點； 若e神日中的一個滿足可分割條件:設ej滿足可分割條件，。不滿足可分割條件，將ej分 割為兩個區域，f^乍為一個區域，將分割后的ej與關聯，得到關聯圖像cj，cj包含兩個區域， 依照cj的區域劃分方式分別將e神P。劃分為兩個區域，將e神Pfj的區域對應，比較對應區域 內對應像素點的像素灰度值大小，根據區域類型，選擇像素灰度值大或者小的像素點作為 融合后相應區域的相應像素點； 若ej和f期滿足可分割條件:將ej和。分別分割為兩個區域，將分割后的ej和。關聯得 至帖，C抱括四個區域，依照C撕區域劃分方式分別將e誠f測分為相同的四個區域，分別用 00、01、10、ll表示，將e神Pf北勺區域對應，根據區域類型，選擇像素灰度值大或者小的像素點 作為融合后相應區域的相應像素點； (b3)Aj和Bj采用單像素的移動速度，按照步驟化2)的方式，逐行逐列遍歷Y〇A和Y〇B，得到 低頻子圖像融合結果Y〇P; (3)對￥/，￥2^瓜^-，￥/與￥〇唯行非子采樣輪廓波逆變換，得到最終融合結果尸。
【文檔編號】G06T7/60GK106097303SQ201610371400
【公開日】2016年11月9日
【申請日】2016年5月30日
【發明人】劉勍, 楊筱平, 楊紅平, 馬小姝, 張利軍, 韓雙旺
【申請人】天水師范學院