专利名称：：基于局部耦合神经振子网络的简单灰度图像分割方法
技术领域：
：本发明涉及图像处理和神经元网络
技术领域：
，特别是涉及一种以局部耦合神经元振子网络形式实现的、用于处理视觉图像中同一背景下不同目标区域之间相互分离的系统。
背景技术：
：人眼处理视觉图像时可以在很短的时间内轻松的进行感知和理解，然而研究者对其中的机理至今仍然知之甚少。但是，大量的生理学实验表明视觉器官有可能首先抽取对象的各个局部特征并且并行的向中枢传送，问题是中枢怎样再将这些特征重新整合起来，这就是所谓的结合问题，视觉图像中同一背景下不同对象(目标区域)的分离就属于此类问题。为处理这个问题，Hebb提出一种理论，这种理论认为为了检测一个对象，需要有一群神经元提高它们的平均发放量，但这却引发了新的问题——叠加问题。为克服新的问题，VonderMalsburg和Schneider对Hebb理论进行了修正，他们认为同一对象应由一群同步振荡的神经元来表征，属于同一对象的神经元的发放彼此同步，而不同对象的神经元的发放则不存在一致的相位关系。这一理论被后来的实验所证实在猫的视觉皮层上记录到了频率在40-60Hz的振荡现象。在上述实验和理论的基础上，研究者们提出了很多神经元振子网络模型模拟真实的人脑中神经元行为。Wilson-Cowan神经元振子网络模型就是其中的一种，它能够比较好地模拟人类视觉皮层中功能柱同步振荡行为，这一性质使得Wilson-Cowan模型在图像分割领域特别是分离视觉图像中同一背景下不同目标区域方面具有很广的应用前景，而且Grayetal等人已经通过经典的生理学实验对这一模型进行了验证。
发明内容本发明的目的在于，提供一种基于局部耦合神经元振子网络的简单灰度图像分割方法，利用神经元振子网络构建用于处理视觉图像中同一背景下不同目标区域之间相互分离的系统，该系统由三层组成视觉图像输入层，神经元振子网络振荡层，目标区域分离层。总体上说，该系统首先将一幅视觉图像与一族神经元振子建立一对一关联，然后让这一组神经元振子产生振荡，使得具有相同振荡周期和振幅的振子运动到同一个极限环上，再利用振子之间的耦合关系执行同步操作以改变同一个极限环上各个振子之间的相位差距，最后通过去同步操作就可以获得具有相同周期、振幅、相位的每组神经元振子，此时每组神经元振子就对应视觉图像上一个目标区域中的所有像素点，由此实现图像分割。本发明是采用以下技术手段实现的建立视觉图像输入层，首先将视觉图像输入到神经元振子网络振荡层上的神经网络中，图像中的像素点与神经网络上的神经元振子存在一一对应关系。建立神经元振子网络振荡层，对这一层上神经网络中的每个神经元振子建立动力学系统模型，使得振荡过程中具有相同振荡周期和振幅的神经元振子运动到同一个极限环上，并进一步实现同步振荡。这一层相对复杂，主要包含以下三方面内容第一，单一神经元振子由兴奋性单元和抑制性单元这两个部分组成，在外部刺激(每个振子所对的像素点取值)以及这两个单元的相互作用下，这两个单元各自的脉冲发放率存在不同的变化特性，因此对单一神经元振子建立动力学系统模型就要利用二阶微分方程组描述这两个单元各自的脉冲发放率。为了使系统更加灵活并便于理论分析，本发明分别采用了不同的系数来控制每个神经元振子兴奋性单元和抑制性单元的脉冲发放变化率，而传统方法则往往使用相同的系数。第二，为了保证神经元振子产生振荡，就需要确定这一微分方程组中各参数之间的取值约束以保证微分方程组的解存在周期性，确定的方法就是根据外部刺激的取值范围在这一微分方程组所对的相平面上划出指定区域，各参数的取值范围要保证这一区域中一定会出现失稳平衡点，根据环域定理，此时微分方程组的解存在周期性。从微分方程的运动特性上讲，解存在周期性就意味着极限环的出现。每个极限环具有固定的振荡频率和振幅，那些在振荡过程中具有这一频率和振幅的神经元振子就会运动到这一极限环上，即使这些振子是从相平面上的不同位置开始运动的。第三，在前两步的基础上还要进一步实现同步振荡，也就是要改变同一个极限环上各个振子之间的相位差距，使得一个极限环上原本运动步调相对凌乱的各个振子形成比较规整的几簇振子，每一簇中的所有振子具有基本相同的相位，此时综合上文可知这一簇中的所有振子具有相同的振荡频率、振幅和相位，从图像意义上来说，这一簇中的所有振子就对应视觉图像上的一个目标区域。不过在神经元振子网络振荡层还无法在同步振荡后准确获得上述的每一簇振子，还需要本系统的后续层提供的去同步操作来获得。同步振荡需要利用相邻振子之间的耦合关系，在给定的耦合强度判别准则条件下，同一个极限环上那些耦合关系强的振子的振荡就会趋于同步。本发明将相邻振子兴奋性单元进行耦合并且将抑制性单元进行耦合，同时采用不同的参数调节这两种耦合的作用强度，而传统方法往往采用相同的参数。建立目标之间分离层，通过执行去同步操作获得具有相同周期、振幅、相位的每组神经元振子，每组神经元振子对应视觉图像中的一个目标区域。去同步机制的主要方法就是首先通过拟合每个振子兴奋性单元同步振荡之后的振荡波形从而得到该波的频率、幅度和相位。然后利用这三个数值对所有振子进行分类(先要设定好分类阈值)，这一步采用层次分类器思想，依次使用频率、幅度和相位这三种数值，前一个分类器的输出是后一个分类器的输入。振荡结果中有时会出现区分程度很小的几簇波，这时单纯依靠频率、幅度和相位已不能很好的区分，因此本发明最后还融入了振子所对像素的位置信息，具体采取的策略就是即使两个振子的振荡波形在频率、幅度和相位数值上差别很小，但如果这二者所对应像素在图像上不对应同一个连通区域，那么这两个振子就不会被认为对应同一个目标区域。本发明采用的去同步方法紧密结合同步振荡结果，更加简单实用。本发明与现有技术相比，具有以下明显的优势和有益效果本发明就神经元振子网络中振子产生振荡的条件给出了明确的解析结果，通过数值模拟验证了所给结论的可行性和有效性，避免了盲目的调试模型参数。图1为单一神经元振子示意图2为一维链式耦合的神经元振子示意图；图3为本发明分割方法流程示意图；图4为输入图像示意图；图5为极限环示意图；图6为只振荡的兴奋性单元随时间振荡图；图7为振荡后产生同步振荡的兴奋性单元随时间振荡图；图8为本发明中方法对图4的分割结果图。具体实施例方式具体实施方式主要包含三个部分构建系统、确定实施步骤、配置参数。以下结合说明书附图，对本发明的实施例进行说明1、构建系统这是指建立视觉图像输入层，神经元振子网络振荡层，目标区域分离层。这一步独立于具体的测试用例，主要是根据理论分析结果建立动力学系统，使其能够接收图像作为输入，并能够使系统中的神经元振子产生振荡，进而产生同步振荡，最后将同步振荡的结果经去同步处理以图像的形式输出。视觉图像输入层负责将视觉图像输入到神经网络中，该神经网络位于神经元振子网络振荡层上。这一神经网络具有二维网格结构，其上的每一个神经元振子与视觉图像的每一个像素一一对应。一个神经元振子将与之对应像素点的取值视为外部刺激。神经元振子网络振荡层负责通过模拟人脑皮层中功能柱的原理，使得神经网络中的神经元振子在适当外部刺激下产生振荡，然后在神经元振子之间的局部耦合作用下，进一步驱使视觉图像中相同目标区域各像素所对应的神经元振子逐渐达到同步振荡。目标区域分离层负责在神经元振子网络振荡层的同步振荡结果上施以去同步机制，达到视觉图像目标区域之间相互分离的目的。建立上述三层的关键环节有三点一是确立单一神经元振子模型并确定振子产生振荡的条件，二是确立振子之间的耦合方式并确定视觉图像相同目标区域各像素所对振子产生同步振荡的条件，三是确立去同步机制的具体方法。上述三个关键环节的解决方法如下①确定单一振子的兴奋性单元和抑制性单元之间反馈关系的动力学系统表达式，设定表达式中参数之间的取值约束以满足振荡条件。单一神经元振子如图1所示，其中I代表输入的像素值即外部刺激，χ代表兴奋性单元，y代表抑制性单元，a代表自兴奋连接的强度，b代表从χ到y的耦合强度，c代表从y到χ的耦合强度，d代表自抑制连接的强度。单一神经元振子模型重点描述的是χ和y之间的反馈关系式，本发明采用改进后的Wilson-Cowan非线性常微分方程组将这一关系式表述如下<formula>formulaseeoriginaldocumentpage5</formula>(1)这是一个动力学模型自治系统，其中参数Γι和r2分别调控兴奋性单元响应Xi和抑制性单元响Syi的变换率，Φ,*小，是选定的阈值，Η(ζ)代表sigmoid型响应函数。传统方法一般令(1)式中两个方程即兴奋性单元脉冲发放率变化函数和抑制性单元脉冲发放率变化函数的sigmoid系数Γι和r2相等(也就是采用同一个数值)，而本发明则没有这样规定，因此也就更加灵活。为了便于分析得出实用的解析结果，(1)式中实际使用线性化逼近的方法替代不易分析的非线性函数H(Z)。通过设定(1)式中参数之间的取值约束使其满足振荡条件。本发明在相平面上自行设定了区域<formula>formulaseeoriginaldocumentpage6</formula>并在其上找到了失稳平衡点，由此保证了(1)式具有极限环的运动特性。失稳平衡点的存在要求各参数满足一定的取值约束如下<formula>formulaseeoriginaldocumentpage6</formula>其中T是H(z)的形状参数。因此，只要动力学系统中各参数在上述取值约束下取值就可以保证(1)式能够产生周期解，即神经网络中的各神经元振子能够产生振荡现象，此时视觉图像相同目标区域中各像素对应的振子均沿着同一个极限环运动，不同的目标区域由于像素值的差异对应不同的极限环，像素的差异体现为振子振荡的周期和振幅不同，既同一个极限环上的振子具有相同的周期和振幅。考虑到视觉图像目标与背景分离的实际需求，上述系统设计时遵循的原则之一就是对于零输入外部刺激保持静默状态即不振荡。也就是说本系统认为视觉图像像素值为零的位置是背景，其所对应的神经元振子不参与振荡，由此加速了目标与背景的分离过程。②确定在振子耦合条件下反馈关系的动力学系统表达式，设定表达式中与耦合有关参数的取值范围以满足同步振荡条件。同步振荡的过程就是改变同一个极限环上各个振子之间相位差距的过程。为便于产生振荡的振子能够实现同步振荡，本发明采用的理论基础是一维链式局部扩散耦合方式，如图2所示，其中α、β分别代表相邻振子兴奋性单元之间和抑制性单元之间的连接强度，而传统方法一般只选取兴奋性单元之间或是抑制性单元之间的连接，抑或是选取兴奋性单元和抑制性单元之间的连接。并且本文分别采用参数α、β调节相邻兴奋性单元之间和抑制性单元之间的连接强度，而传统方法则往往令α和β相等(也就是采用一个参数)。一维链式局部扩散耦合方式更利于对结果进行理论分析，并且经证明该方式可以扩展到8邻域情况，因此本发明在具体实现时采用的是8邻域耦合方式。确定了耦合方式之后，就可以得到当前条件下反馈关系的动力学系统式如下<formula>formulaseeoriginaldocumentpage6</formula>(2)其中相比(1)式添加的耦合项Axi和Ayi代表当前振子8邻域中的各相邻振子所提供的耦合信息(图像边界的像素用实际存在的相邻像素进行耦合。)，ΔXi和AyiW表达式如下<table>tableseeoriginaldocumentpage7</column></row><table>φ表示阈值。(6)式表明本发明中耦合项的设置原则为当相邻振子对应的像素值之差在某一个范围(阈值Φ)内时，就认为振子之间的耦合是有效的，从而将有助于其振荡趋于同步；反之，当相邻振子对应的像素值之差超出这一范围(阈值Φ)时，就认为振子之间的耦合是无效的。通过设定(2)式中参数的取值使其满足同步振荡条件。由于振子是在振荡的前提下实现同步振荡，因此⑵式中参数！^巧、^^^^(^的取值约束遵循上文。对于耦合项系数α和β，经证明，对于一维链式局部扩散耦合方式，为达到同步振荡条件，这两个参数的取值范围是<table>tableseeoriginaldocumentpage7</column></row><table>③分析各振子的同步振荡结果在频率、幅值和相位上的统计特性并设定分类阈值，同时融入视觉图像各像素点的位置信息从而实现图像目标区域之间的相互分离。这一步就是要解决去同步问题。按照之前的理论分析，经过同步振荡后具有相同振荡频率、振幅和相位的一组振子对应的像素点是视觉图像上的一个目标区域，因此这一步只需要找到每一组这样的振子即可。在实际系统中，考虑到计算机的计算精度问题以及同步振荡的迭代收敛速度问题，本发明将“相同振荡频率、振幅和相位”放宽到“基本近似的振荡频率、振幅和相位”。仅仅采用频率、振幅和相位并不能达到很好的结果，因此本发明中还融入了每个振子所对像素点在视觉图像上的位置信息。具体设计如下首先将每个振子的同步振荡曲线利用最小二乘法拟合成Fourier曲线Y=a0+a!·cos(χ·p)+b1*sin(x·ρ)(9)并获得曲线的振荡频率ρ、距离水平轴的平均距离％和相位(需要另行计算)。然后设计层次分类器，共三层，每层依次采用频率、距离X轴的平均距离、相位这三种特征。最后令所有振子依次通过层次分类器的每层，由此在每层上振子会从上一层所处的类别被进一步细分入下一层的某一类中。每层上的分类器分类结束后，要对产生的所有类别分别进行连通性检验，也就是查看每类中所有振子所对的像素点在视觉图像上是否是一个连通区域，如果是则这个类别就不再送入下一层分类器而是直接作为结果中的一类。做连通性检验的目的主要是为了防止分类过细从而导致视觉图像上的一个目标区域被分成多块。本发明此处使用距离水平轴的平均距离Stl而没有使用振幅al、bi是因为a(l的区分能力更强。本发明采用的去同步方法紧密结合同步振荡结果，更加简单有效。2、确定实施步骤根据系统构建以及实际处理的需要，本发明采用的具体实施步骤可参见图3。图3中的主要流程在上述内容中都已经详细介绍，此处结合一个具体视觉图像图4对图3中所示的6个流程逐一予以简单说明。图4是一幅灰度图像，图4中共有4个目标区域大三角1、菱形2、亮正方形3、暗正方形4，而5是指图4中除上述4个目标区域之外的背景区域。图4中每个区域上的所有像素点具有相同的灰度值，其中区域1、2和3具有相同的灰度值，区域4的灰度值明显小于区域1、2和3，而区域5的灰度值为零。对图4进行图像分割的具体过程如下①将一幅待分割的简单灰度图像如图4进行归一化操作，也就是将其上像素值取值范围从变为W，l]。进行归一化是为了统一所有待分割图像所对应的动力学方程在运动过程中出现失稳平衡点的区域范围即上文提到的<formula>formulaseeoriginaldocumentpage8</formula>②将归一化后的视觉图像输入到建立好的动力学系统(2)式中，(2)式中的Ii就是图像上每个点的像素值，下标i把图像各个像素与神经元振子一一对应起来。建立好的动力学系统是指(2)式中的所有参数按照(1.1)(1.11)以及(7)、(8)式进行设置。③接下来对(2)式利用4阶经典龙格库塔法进行求解，在求解过程中求解结果Xi(t)和yi(t)会首先呈现出周期解特性即产生振荡。周期解意味着一个振子在相平面上的运动轨迹(Xi(t)，yi(t))呈现极限环特性(围绕失稳平衡点旋转的闭轨)，如图5上出现的2个比较典型的环，一个在偏左下的位置，另一个在图中间偏上的位置。图5记录了每个振子的运动轨迹并且每个振子运动轨迹的起点是随机选择的，所以图5比较凌乱。另外图5的中央区域并不是极限环，而是那些与视觉图像背景像素(像素值等于零)对应振子的运动轨迹，这些振子不参与振荡会保持静默，因此它们最后都会运动到图5坐标系上的(0，0)位置。关于极限环这里要说明的是产生振荡之后就会形成极限环，而下一步的同步振荡只是改变每一个极限环上各个振子的相位差距；而且并不是说视觉图像中有几个物体，就会形成几个极限环，正如上文所述，具有相同的振荡频率和振幅的振子都在一个极限环上。图4中的区域1、2和3所对振子的运动轨迹最后集中于图5中间偏上的那个极限环上，而图4区域4所对振子的运动轨迹最后集中于图5靠左上的那个极限环上。④利用龙格-库塔法对(2)式求解过程中，在保持周期解特性的同时，局部耦合作用会使求解结果Xi(t)和yi(t)逐渐达到同步振荡。局部耦合作用体现在(4)、(5)两式和(2)式中的α、β这两个参数。如果不利用耦合作用使求解结果Xi(t)和yi(t)在产生振荡后进一步达到同步振荡，那么同一个极限环上所有振子无法准确区分成视觉图像上不同的目标区域(如果确实对应多个目标区域)，比如图4中处于同一个极限环上的区域1、2和3所对振子就无法分开。图6就说明了对图4只振荡而不同步振荡会导致同一个极限环上的振子无法区分的情况(只需将(2)式中的α和β都设成零，就可以只产生振荡而不产生同步振荡)。图6记录的是每个振子对应的动力学系统(2)式的求解结果Xi(t)即兴奋性单元函数，可以看到随时间推移所有振子兴奋性单元产生的振荡形成两簇波(正好对应两个极限环)，上方的那一簇是图4中区域4所对振子兴奋性单元的振荡曲线，而下方那一簇比较稠密的波对应的是图4中区域1、2和3所对振子兴奋性单元的振荡曲线，显然无法从下方这一簇波中区分出这三个区域。而如果引入了同步振荡(将α、β按照(7)、(8)进行设置)，即采用本发明中的方法，那么就可以区分出来，图7就说明了这一情况。图7中原本在图6下方那一簇无法辨识的波在同步振荡之后逐渐分成了3簇波，这3簇波正好对应图4中的区域1、2和3。另外图6和图7中随时间趋于零(保持静默)的那些振子对应视觉图像的背景区域。⑤本发明所采用的振荡曲线拟合函数是上文(9)式，只需要对每条曲线同步振荡之后的部分进行拟合即可，如在图7中对时间点(横轴)7之后的部分进行拟合，时间点7代表龙格-库塔法已经对(2)式迭代求解了700步。⑥理论分析的结果和上述对图7的分析都说明同步振荡后具有基本近似频率、振幅和相位的振子对视觉图像中的一个区域。根据本发明所采用的振荡曲线拟合函数(9)，为了增加区分能力，我们实际设计三层分类器时所采用的特征依次是振荡频率、距离水平轴的平均距离和相位，而没有使用振幅特征。⑦以图4为例，首先采用频率进行分类，区域1、2和3所对振子被分为类11，区域④所对振子被分成类12。根据连通性检测结果，类12只有一个连通区域因此类12不再继续进行分类，直接作为结果一部分。然后对类11采用距离水平轴的平均距离进行分类，区域1和2所对振子被分为类21，区域3所对振子被分为类22。根据连通性检测结果，类22只有一个连通区域因此类22不再继续进行分类，直接作为结果一部分。然后对类21采用相位进行分类，区域1所对振子被分为类31，区域2所对振子被分为类32。根据连通性检测结果，类31和类32都分别只有一个连通区域因此直接作为结果一部分。至此三层分类器执行完毕，最后的结果包含四部分类12、类22、类31、类32，如图8所示。这四部分正好对应图4中的四个目标区域。3、配置参数在确定实施步骤的基础上，这一步主要是根据建立系统时计算出的参数间取值约束以及各参数取值范围决定系统中所有参数的具体取值。分别有如下几组参数公式(2)中各参数的设置为巧=1，r2=1，a=1，b=1，c=2，d=0.5，T=0.025，Φχ=0.2,Φ,=0.15,α=20，β=14。并且使用4阶经典龙格-库塔法对(2)式进行求解，步长选择0.01，共迭代1000步。在曲线拟合环节，统一截取所有振子兴奋性单元700步之后的振荡曲线进行拟合，但如果700步之后的振荡曲线上所有值均小于0.1则直接认为是背景而不进行拟合。在去同步环节，频率、距离水平轴的平均距离、相位所采用的分类阈值分别是0.001、0.1、20。权利要求一种基于局部耦合神经振子网络的简单灰度图像分割方法，其特征在于包括以下步骤建立视觉图像输入层，建立神经元振子网络振荡层，建立目标之间分离层；所述的建立视觉图像输入层，将灰度图像归一化，并认为灰度值小于阈值的像素对应的是图像的背景，在振荡过程中背景区域对应的神经元振子保持沉默状态，然后将视觉图像输入到神经元振子网络振荡层上的神经网络中，图像中的像素点与神经网络上的神经元振子存在一一对应关系；所述的建立神经元振子网络振荡层，将这一层上神经网络中的每个振子建立动力学系统模型<mrow><mfrac><msub><mi>dx</mi><mi>i</mi></msub><mi>dt</mi></mfrac><mo>=</mo><mo>-</mo><msub><mi>r</mi><mn>1</mn></msub><msub><mi>x</mi><mi>i</mi></msub><mo>+</mo><msub><mi>r</mi><mn>1</mn></msub><mi>H</mi><mrow><mo>(</mo><msub><mi>ax</mi><mi>i</mi></msub><mo>-</mo><msub><mi>cy</mi><mi>i</mi></msub><mo>+</mo><msub><mi>I</mi><mi>i</mi></msub><mo>-</mo><msub><mi>φ</mi><mi>x</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>αΔ</mi><msub><mi>x</mi><mi>i</mi></msub></mrow><mrow><mfrac><msub><mi>dy</mi><mi>i</mi></msub><mi>dt</mi></mfrac><mo>=</mo><mo>-</mo><msub><mi>r</mi><mn>2</mn></msub><msub><mi>y</mi><mi>i</mi></msub><mo>+</mo><msub><mi>r</mi><mn>2</mn></msub><mi>H</mi><mrow><mo>(</mo><msub><mi>bx</mi><mi>i</mi></msub><mo>-</mo><msub><mi>dy</mi><mi>i</mi></msub><mo>-</mo><msub><mi>φ</mi><mi>y</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>βΔ</mi><msub><mi>y</mi><mi>i</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>用4阶经典龙格-库塔法对(1)式求解，记录求解结果xi(t)、yi(t)，求解结果表现为每个振子的兴奋性单元、抑制性单元随时间振荡的曲线；所述的建立目标之间分离层，根据每个振子的兴奋性单元、抑制性单元随时间振荡的曲线，采用最小二乘法将曲线拟合为Fourier曲线，并求出拟合后曲线频率、距离水平轴的平均距离、相位三个特征值；首先按照频率对所有像素进行分类，分类结束后检查每一类对应的图像区域是否是连通的，如果不是连通的将继续依距离水平轴的平均距离、相位的次序进行分类，并在每一次分类结束后检查每一类对应的图像区域是否为连通状态。2.根据权利要求1所述的基于局部耦合神经振子网络的简单灰度图像分割方法，其特征在于所述的视觉图像输入层，归一化图像之后背景对应的阈值为0，即小于0的像素所对振子随时间的振荡趋于静默。3.权利要求1所述的基于局部耦合神经振子网络的简单灰度图像分割方法，其特征在于所述的神经元振子网络振荡层，每个像素对应神经元的兴奋性单元和抑制性单元起始位置都是随机的，巧=l,r2=l,a=l,b=1，c=2，d=0.5，T=0.025，Φχ=0.2，=0.15，α=20，β=14;在求耦合部分ΔXi和Δyi时，每个神经元振子的兴奋性单元和抑制性单元分别与周围8个神经元振子的兴奋性单元和抑制性单元进行耦合，但如果像素值之差小于0.1时，耦合权重将置0，即两像素相互不影响。图像边界的像素用实际存在的相邻像素进行耦合。使用4阶经典龙格库塔法对(1)式求解时，步长选择0.01，共迭代1000步。4.根据权利要求1所述的基于局部耦合神经振子网络的简单灰度图像分割方法，其特征在于所述的目标之间分离层，只对兴奋性单元振荡结果700步之后的振荡曲线部分用最小二乘法拟合为Fourier曲线；如果700步之后振荡曲线上各点处的值小于阈值0.1，则认为该兴奋性单元对应的像素是背景像素，不对其进行拟合。在去同步环节利用各振子振荡曲线的频率、距离水平轴的平均距离、相位特征进行分类时所采用的分类阈值分别是0.001,0.1,20；如果两个兴奋性单元对应振荡曲线的频率之差小于0.001时，将把两个兴奋性单元对应的神经元振子分为相同类别，其余特征以此类推。全文摘要本发明公开了一种基于局部耦合神经振子网络的简单灰度图像分割方法，包括建立视觉图像输入层，建立神经元振子网络振荡层，建立目标之间分离层。视觉图像输入层负责将视觉图像与神经元振子网络振荡层上神经网络中的神经元振子建立一一对应关系；神经元振子网络振荡层负责通过模拟人脑视觉皮层中功能柱对视觉图像处理的功能来对每个神经元振子建立动力学系统模型，使得每个振子产生振荡，并在相邻振子的局部耦合作用下产生同步振荡；目标之间分离层负责根据同步振荡结果通过采取去同步机制实现视觉图像上目标区域之间的分离。本发明分析了神经元振子产生振荡以及同步振荡的参数设置要求，对于认识和理解图像分割具有指导作用和理论意义。文档编号G06T5/00GK101814180SQ20091023627公开日2010年8月25日申请日期2009年10月23日优先权日2009年10月23日发明者乔元华,吴春鹏,孟永,房法明,段立娟,苗军申请人:北京工业大学