一种适合处理显微图像pcnn模型的构建方法
【专利摘要】本发明公开了一种适合处理显微图像PCNN模型的构建方法，包括：分析无耦合连接和耦合连接状态下二维脉冲耦合神经元的动力学特性；优化PCNN链接输入L及反馈输入F非线性方程的参数设置、处理图像的局部信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值θ，构建适合处理显微组织图像的PCNN模型；搭建多层次或三维脉冲耦合神经元模型，分析神经元动力学特征、形成多通道或多维PCNN模型；可进一步应用在中药材显微图像的处理与分析中，有效提高中药材评价的客观性、准确性及智能化程度，为中药材现代化检测与分析提供一种新的途径。
【专利说明】
一种适合处理显微图像PCNN模型的构建方法
技术领域
[0001] 本发明属于生物医学信息处理领域，尤其涉及一种适合处理显微图像PCNN模型的 构建方法。
【背景技术】
[0002] 脉冲耦合神经网络(PCNN)是根据猫、猴等哺乳动物大脑视觉皮层上同步脉冲发放 现象提出的，有着良好的生物学背景，该模型具有动态变阈值、非线性调制耦合、同步脉冲 发放、动态脉冲发放及时空总和等特性，使得PCNN在信号处理应用，特别是在图像处理应用 中显示了巨大的优越性。但传统PCNN模型还存在以下理论不足及技术缺点：
[0003] (1)该模型在非线性调制耦合和阈值指数衰变方面，其阈值衰减是反复变化的，这 种阈值变化不能很好地符合人眼对亮度响应的非线性指数要求，并且通过这种阈值规律处 理后的图像(或其他信号）中大量信息蕴含在神经元的激活周期(频率)或者激活相位中，而 输出的图像却并不包含全部的可用信息；
[0004] (2)PCNN模型中大量漏电积分器和一些反馈连接的存在，虽然提高了模型仿生学 的逼近程度及生物处理信息的真实性，但这不仅增加了模型的复杂性，同时也加大了对信 号处理时间的开销；
[0005] (3)传统PCNN模型参数过多，对参数的（自动)设定及优化会增加许多困难；
[0006] (4)由于中药材显微图像的复杂性与特殊性，传统PCNN模型不适宜处理显微组织 类图像。
【发明内容】
[0007] 本发明的目的在于提供一种适合处理显微图像PCNN模型的构建方法，旨在解决传 统PCNN模型阈值衰减是反复变化的，不能很好地符合人眼对亮度响应的非线性指数要求， 输出的图像不包含全部的可用信息，模型复杂，参数过多，不适宜处理显微组织类图像的问 题。
[0008] 本发明是这样实现的，一种适合处理显微图像PCNN模型的构建方法，所述的适合 处理显微图像PCNN模型的构建方法包括：
[0009]步骤一、分析无耦合连接和耦合连接状态下二维脉冲耦合神经元的动力学特性； [0010]步骤二、在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口 大小，计算所述像素点与其邻域对应的方向通道的最大能量；
[0011]步骤三、根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺 度和有效方向，根据所述最大尺度和所述有效方向确定PCNN模型的参数W和M，其中，Μ为反 馈输入域的连接矩阵;W親合连接域的连接矩阵；
[0012]步骤四、基于Gabor函数计算所述像素点的ΚΧΚ邻域内各个像素点的Μ的方向相似 性;其中，Κ为所确定的W的矩阵的行数或列数;如果所述方向相似性在指定范围内，对所述Κ ΧΚ邻域内的像素点进行一次点火，得到所述ΚΧΚ邻域内的像素点的图像分析数据；
[0013] 步骤五、依据中药材显微图像的特征，优化PCNN模型的参数设置，从PCNN模型形态 结构和统计两方面优化PCNN链接输入L及反馈输入F非线性方程的参数设置、处理图像的局 部信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值Θ， 构建适合处理显微组织图像的PCNN模型；
[0014] 步骤六、通过对中药材显微图像体视学分析，根据多层次或三维显微图像特点，搭 建多层次或三维脉冲耦合神经元模型，分析神经元动力学特征、形成多通道或多维PCNN模 型;所述多通道或多维PCNN模型，通过分别将多幅图像经NSCT变换后得到若干不同频率子 图像，并对应采用基于双通道PCNN进行融合后确定融合图像的各带通子带系数，最后通过 NSCT逆变换得到融合图像；
[0015] 基于双通道PCNN进行图像融合的具体方法包括：
[0016] 第一步、对输入的两幅原始图像在空间上进行像素级配准，保证两幅图像大小均 为 XXY;
[0017]第二步、通过非下采样Contourlet变换分解已配准的两幅源图像，并分别获得其 各自的一个低频子图像和若干高频子图像；
[0018] 第三步、初始化双通道脉冲耦合神经网络参数，设定神经网络参数W，VL，β，Ve，咖和 At的值；
[0019]第四步、在每幅输入图像中查找5^_111￡?、3^_11^11;3^_11^<￥0，3^_11^11>〇;
[0020]第五步、得到神经网络最大运行次数N和阈值查找表LT(s)，s为LT(s)的函数变量；
[0023]式中：t#Pt2分别为图像中灰度值最大像素和最小像素的自然点火时间；
[0024] 第六步、将一个低频子图像和若干高频子图像作为分解系数通过双通道脉冲耦合 神经网络制定的融合规则进行融合；
[0025] 第七步、对第二步得到的各带通子带系数进行NSCT逆变换，得到最终的融合图像；
[0026] 所述的PCNN模型形态结构和统计两方面包含下列参数：
[0027]显微图像的截面积、周长、最大直径、等效直径、长宽比、圆形度、球化度、体密度、 面数密度、数密度、面密度、间距；
[0028] 利用下列公式运行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]为内部活动项，Yij[n]为PCNN脉冲输出，Iij[n]为索引值；
[0036] 当n=l时，Lij[l]=0,则1^[1]=卩。[1]=5;[」，0。[1] = 1^(1'|-1) = 51111￡?，对应的反 馈输入中值为Sij_max的神经元将自然点火;神经元点火后，输出Yij[ 1 ] = 1，0ij[2]变为Ve，点 火神经元的索引值标记为k = N-l;
[0037] 所述适合处理显微图像PCNN模型还包括检测优化模块，该检测优化模块用于:将 采集到的图像建立图像的显著模型，所述建立图像的显著性模型包括：
[0038] 利用预定过分割算法对所述图像进行过分割和模板参数提取，对整个输入图像， 以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个 区域，同一个所述区域中各个像素点的颜色值相同；
[0039] 确定每个所述区域的颜色值和质心；
[0040] 根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；
[0041] 所述的显著性模型为:\= 土 u_(/?,)Ds(孕為)久(矣,為）； M,j*i
[0042] 其中，Su为区域Ri中任一像素点的显著性值，w (Rj)为区域Rj中的像素点的个数，Ds 浪儿）用于表征所述区域心和所述区域心之间空间位置差异的度量值，DcUhRj)用于表征 所述区域心和所述区域心之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域 的总个数，Ds (Ri，Rj)为：A (心尺,）=CXP(-/?,:) - C'tv伽，()): / σ、:）；Center (Ri) 述区域心的质心，CenteHRj为所述区域心的质心，当所述图像中各个像素点的坐标均归一 化到[0，1]时;=0.4 ,
[0043] 进一步，所述视觉信息计算模型的视觉信息搜索方法包括：
[0044] 存在样本视觉信息；
[0045] 对样本视觉信息进行全局信息提取与/或局部信息提取；
[0046] 对所提取的全局信息与/或局部信息进行再处理，并提取共性特征；
[0047]基于上述未处理与/或处理后的全局信息与/或局部信息的再处理特征建立特征 模型与/或索引；
[0048] 该特征模型与/或索引可以传输于网络与/或网络数据库；
[0049] 使该样本视觉信息的特征模型与/或索引在网络与/或网络数据库中进行搜索；
[0050] 搜索到与该样本视觉信息的特征模型与索引相关度最高的视觉信息结果，这个视 觉信息结果为目标视觉信息；
[0051] 将所述搜索到的目标视觉信息返回给用户端；
[0052] 所述视觉信息搜索方法利用全局与/或局部特征各自的优势，在进行特征模型与 索引的提取和建立以及搜索时，采用多模块并行计算，并将结果进行有效融合；
[0053]所述样本视觉信息生成样本视觉信息是从互联网上获取已经存在的样本视觉信 息；
[0054]获取到的样本视觉信息的颜色特征、纹理特征、形状特征，以便从所述视觉信息上 获取到能够描述该视觉信息的样本视觉信息；
[0055]所述的再处理至少包括加噪、变形、剪切、插入内容、旋转、缩放以及亮度增减、模 糊化处理内容。
[0056] 进一步，所述模糊化处理具体包括：
[0057] 获取预先设置的感应区域的滑动信息;缩小要模糊化处理的图片；
[0058]在预先设置的对应关系中查找与获得的滑动信息对应的模糊化处理方式;对所述 缩小后的图片进行模糊化处理；
[0059]按照查找到的模糊化处理方式对图片进行模糊化处理。对所述模糊化处理后的图 片进行放大，得到所需的模糊化处理后的图片；
[0060] 所述对应关系包括第一对应关系和第二对应关系，该方法之前还包括：
[0061] 设置滑动距离和模糊度的第一对应关系;设置滑动方向和模糊化处理方向的第二 对应关系；
[0062] 所述模糊化处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 动方向包括由上至下的滑动和由下至上的滑动，或者由右至左的滑动和由左至右的滑动； [0063]对模糊化处理后的图片进行处理;包括:将模糊化处理后的图片设定为壁纸和/或 屏幕保护，保存模糊化处理后的图片，或者结束本流程。
[0064] 进一步，所述NSCT逆变换的图像融合方法包括以下步骤：
[0065] (1)将源图像A和B分别进行非子采样轮廓波变换，得到低频子图像YoA，Yo B和一系 列高频子图像￥1^，￥1^汰=1，2，一44为高频子图像的个数，由非子采样轮廓波变换中金字 塔分解的级数和方向滤波分解的方向数决定；
[0066] (2)对一系列高频子图像￥1/，￥1^汰=1，2，~，财卩低频子图像￥ ()^进行融合：
[0067] (a)按照以下步骤对一系列高频子图像￥1/，￥1^汰=1，2，一4进行融合：
[0068] (b)按照以下步骤对低频子图像进行融合：
[0069] 在YoA选取一个窗口Aj，在YoB选取一个窗口Bj，Aj与Bj表不大小相同的同一区域，
[0070] (bl)设Aj对应的区域图像为epBj对应的区域图像为灼，将W和灼的方差与梯度分 别与预定的临界方差和临界梯度做比较，判断ept是否满足可分割条件;判断ejPt是否 满足可分割条件:将ej的方差Dev a和梯度Grada*别与预定的临界方差Devo和临界梯度Grado 做比较，若Dev a>Devo且Grada>Grado，ej满足可分割条件，否贝lj，不满足;f j的判断方式同 ej;
[0071] (b2)根据步骤(bl)的判断结果对W与fj进行融合：
[0072] 若eJPfj均不满足:将Υ〇Α与Υ〇Β分别分割为两个区域，将分割后的Υ〇Α与联得到 G，G包括四个区域，计算ej，fj的平均像素灰度值，将其分别与YoA和￥<^的分割阈值比较，确定 属于G的哪一个区域类型，比较幻，6对应像素点的像素灰度值大小，根据幻，6的区域 类型，选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点；
[0073] 若^和心中的一个满足可分割条件:设q满足可分割条件，t不满足可分割条件， 将W分割为两个区域，f』作为一个区域，将分割后的^与t关联，得到关联图像 Cj，Cj包含两 个区域，依照W的区域划分方式分别将ejPfj划分为两个区域，将^和6的区域对应，比较对 应区域内对应像素点的像素灰度值大小，根据区域类型，选择像素灰度值大或者小的像素 点作为融合后相应区域的相应像素点；
[0074] 若ej和fj均满足可分割条件:将ej和fj分别分割为两个区域，将分割后的ej和f j关 联得到包括四个区域，依照W的区域划分方式分别将W和灼划分为相同的四个区域，分 另IJ用00、01、10、11表示，将^和6的区域对应，根据区域类型，选择像素灰度值大或者小的像 素点作为融合后相应区域的相应像素点；
[0075] (b3)Aj和Bj采用单像素的移动速度，按照步骤(b2)的方式，逐行逐列遍历YoA和 Y〇 B，得到低频子图像融合结果Y〇F;
[0076] (3)对Y/，Y/，Y/，…，Y/与Yol行非子采样轮廓波逆变换，得到最终融合结果F。 [0077]本发明根据中药材显微组织图像的特征，将体视学与显微图像分析相结合，以显 微图像的截面积、周长、最大直径、等效直径、长宽比、圆形度、球化度等参数以及体密度、面 数密度、数密度、面密度、间距等参数为处理分析依据，在传统PCNN模型的基础上，构建完善 的PCNN模型，并在应用中根据处理目的的需要优化及简化参数设置，完善耦合链接强度及 动态指数阈值等，建立适合处理显微组织图像的二维PCNN模型；从考虑同一中药材样本的 多幅二维显微图像及三维图像的体视学关系出发，分析PCNN生物视觉系统的模数混合处 理、串并联混合处理、动态自适应处理、非线性调制耦非线性调制耦合、同步脉冲发放、空时 编码的特性关系，搭建适合处理中药材显微图像的多通道或三维PCNN模型，可进一步提高 中药材质量评价的客观性、准确性、可重复性和智能化程度，为中药材检测与分析的现代化 提供一种新的途径。本发明的视觉信息搜索方法，可以准确针对图片、图像及视频的具体内 容进行搜索，基于这种方式搜索出来的视觉信息内容，无需与图片、视频的关键字的内容相 关联，而与用户真正想搜索的图片视频内容相符合，同时可以返回多个用户想要的结果，容 易实现及操作。本发明能够降低图片模糊化处理时所需的开销;实现了更加便捷、直观的模 糊化处理图片，增强了用户的体验感。
【附图说明】
[0078]图1是本发明实施例提供的适合处理显微图像PCNN模型的构建方法流程图。
【具体实施方式】
[0079]为能进一步了解本发明的
【发明内容】
、特点及功效，兹例举以下实施例，并配合附图 详细说明如下。
[0080] 请参阅图1:
[00811中药材显微图像获取预处理及建库：
[0082 ] (1)拟根据药典收载分布在甘肃省不同地域的当归、党参、甘草、大黄、黄芪、百合、 麻黄、柴胡、板蓝根、茴香、红花、天麻、贝母等几百种药用植物为研究的原始对象，在不同药 材生长季节从生长地采集道地药材样本(或药材花粉样本），同时用高分辨率数码相机获取 中药形态图像。
[0083] (2)在经过多名中药栽培和鉴定专家初步识别与鉴定的基础上取样、粉末化前处 理、切片制作等处理，最后通过扫描电镜(或光学显微镜)分别获取标本的5-10个视野显微 图像、花粉显微图像的原始图像。
[0084] (3)对显微图像获取过程中由于光线亮暗不均匀等因素，造成图像曝光不足或曝 光过度的图像引入图像直方图修正或灰度非线性变换等算法实现图像增强;对环境条件、 CCD相机及其他传感器件影响，导致获取图像产生的噪声干扰，分别运用中值滤波、维纳滤 波等方法达到图像滤波目的。
[0085] (4)使用大型关系数据库管理系统Oracle构建中药材显微图像信息库。
[0086] (5)构建适合处理显微图像的PCNN模型及中药材显微图像处理。
[0087] 一种适合处理显微图像PCNN模型的构建方法，包括：
[0088] S101、分析无親合连接和親合连接状态下二维脉冲親合神经元的动力学特性；
[0089] S102、在当前图像上随机选择一个像素点；通过变换视觉信息计算模型的窗口大 小，计算所述像素点与其邻域对应的方向通道的最大能量；
[0090] S103、根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度 和有效方向，根据所述最大尺度和所述有效方向确定PCNN模型的参数W和M，其中，Μ为反馈 输入域的连接矩阵;W親合连接域的连接矩阵；
[0091] S104、基于Gabor函数计算所述像素点的ΚΧΚ邻域内各个像素点的Μ的方向相似 性;其中，Κ为所确定的W的矩阵的行数或列数;如果所述方向相似性在指定范围内，对所述Κ ΧΚ邻域内的像素点进行一次点火，得到所述ΚΧΚ邻域内的像素点的图像分析数据；
[0092] S105、依据中药材显微图像的特征，优化PCNN模型的参数设置，从PCNN模型形态结 构和统计两方面优化PCNN链接输入L及反馈输入F非线性方程的参数设置、处理图像的局部 信息自适应优化耦合链接强度β以及最佳利用输出信息改进反复指数衰减的动态阈值Θ，构 建适合处理显微组织图像的PCNN模型；
[0093] S106、通过对中药材显微图像体视学分析，根据多层次或三维显微图像特点，搭建 多层次或三维脉冲耦合神经元模型，分析神经元动力学特征、形成多通道或多维PCNN模型。 [0094]进一步，所述视觉信息计算模型的视觉信息搜索方法包括：
[0095]存在样本视觉信息；
[0096] 对样本视觉信息进行全局信息提取与/或局部信息提取；
[0097] 对所提取的全局信息与/或局部信息进行再处理，并提取共性特征；
[0098]基于上述未处理与/或处理后的全局信息与/或局部信息的再处理特征建立特征 模型与/或索引；
[0099] 该特征模型与/或索引可以传输于网络与/或网络数据库；
[0100] 使该样本视觉信息的特征模型与/或索引在网络与/或网络数据库中进行搜索；
[0101] 搜索到与该样本视觉信息的特征模型与索引相关度最高的视觉信息结果，这个视 觉信息结果为目标视觉信息；
[0102] 将所述搜索到的目标视觉信息返回给用户端；
[0103] 所述视觉信息搜索方法利用全局与/或局部特征各自的优势，在进行特征模型与 索引的提取和建立以及搜索时，采用多模块并行计算，并将结果进行有效融合；
[0104] 所述样本视觉信息生成样本视觉信息是从互联网上获取已经存在的样本视觉信 息；
[0105] 获取到的样本视觉信息的颜色特征、纹理特征、形状特征，以便从所述视觉信息上 获取到能够描述该视觉信息的样本视觉信息；
[0106] 所述的再处理至少包括加噪、变形、剪切、插入内容、旋转、缩放以及亮度增减、模 糊化处理内容。
[0107] 进一步，所述模糊化处理具体包括：
[0108] 获取预先设置的感应区域的滑动信息;缩小要模糊化处理的图片；
[0109]在预先设置的对应关系中查找与获得的滑动信息对应的模糊化处理方式;对所述 缩小后的图片进行模糊化处理；
[0110]按照查找到的模糊化处理方式对图片进行模糊化处理。对所述模糊化处理后的图 片进行放大，得到所需的模糊化处理后的图片；
[0111] 所述对应关系包括第一对应关系和第二对应关系，该方法之前还包括：
[0112] 设置滑动距离和模糊度的第一对应关系;设置滑动方向和模糊化处理方向的第二 对应关系；
[0113] 所述模糊化处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 动方向包括由上至下的滑动和由下至上的滑动，或者由右至左的滑动和由左至右的滑动； [0114]对模糊化处理后的图片进行处理;包括:将模糊化处理后的图片设定为壁纸和/或 屏幕保护，保存模糊化处理后的图片，或者结束本流程。
[0115] 进一步，所述多通道或多维PCNN模型，通过分别将多幅图像经NSCT变换后得到若 干不同频率子图像，并对应采用基于双通道PCNN进行融合后确定融合图像的各带通子带系 数，最后通过NSCT逆变换得到融合图像。
[0116] 进一步，基于双通道PCNN进行图像融合的具体方法包括：
[0117] 步骤一、对输入的两幅原始图像在空间上进行像素级配准，保证两幅图像大小均 为 XXY;
[0118]步骤二、通过非下采样Contourlet变换分解已配准的两幅源图像，并分别获得其 各自的一个低频子图像和若干高频子图像；
[0119] 步骤三、初始化双通道脉冲耦合神经网络参数，设定神经网络参数W，VL，β，Ve，咖和 At的值；
[0120] αθ*θ^[η]的衰减时间常数；At为时间采样间隔;β为突触之间连接强度常数；
[0121] Yij[n]为PCNN脉冲输出;Yki[n-1]为PCNN上一次脉冲输出；内部连接矩阵W中的 Wijki 对应U j [ η ]中Yki [ η-1 ]的加权系数；
[0122] η为网络的运行次数，η = 1，2,. . .，Ν-1，Ν，Ν为最大运行次数；
[0123] 步骤四、在每幅输入图像中查找Sij^nSibin; Sij_max<Ve，Sij_min>0;
[0124] 步骤五、得到神经网络最大运行次数N和阈值查找表LT(s)，s为LT(s)的函数变量；
[0128] 式中：t#Pt2分别为图像中灰度值最大像素和最小像素的自然点火时间；
[0129] 步骤六、将一个低频子图像和若干高频子图像作为分解系数通过双通道脉冲耦合 神经网络制定的融合规则进行融合；
[0130] 步骤七、对步骤二得到的各带通子带系数进行NSCT逆变换，得到最终的融合图像。 [0131 ]进一步，所述的PCNN模型形态结构和统计两方面包含下列参数：
[0132] 显微图像的截面积、周长、最大直径、等效直径、长宽比、圆形度、球化度、体密度、 面数密度、数密度、面密度、间距。
[0133] 进一步，利用下列公式运行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]为内部活动项，Yij[n]为PCNN脉冲输出，Iij[n]为索引值；
[0141] 当n=l时，Lij[l]=0,则1^[1]=卩。[1]=3;[]_，0。[1] = 1^(1^-1) = 31']-111￡1)%对应的反 馈输入中值为Sij_ max的神经元将自然点火;神经元点火后，输出Yij[ 1 ] = 1，0ij[2]变为V0，点 火神经元的索引值标记为k = N-l。
[0142] 进一步，所述适合处理显微图像PCNN模型还包括检测优化模块，该检测优化模块 用于：
[0143] 将采集到的图像建立图像的显著模型，所述建立图像的显著性模型包括：
[0144] 利用预定过分割算法对所述图像进行过分割，和模板参数提取，对整个输入图像， 以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个 区域，同一个所述区域中各个像素点的颜色值相同；
[0145] 确定每个所述区域的颜色值和质心；
[0146] 根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。
[0147] 进一步，所述的所述显著性模型为Σ
[0148] 其中，Su为区域Ri中任一像素点的显著性值，w (Rj)为区域Rj中的像素点的个数，Ds 浪儿）用于表征所述区域心和所述区域心之间空间位置差异的度量值，DcUhRj)用于表征 所述区域心和所述区域心之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域 的总个数，Ds(Ri，Rj)为：A ("/，乂）:= exP(-(~伽状.）-（'(·败".())2 Z < ^ 述区域心的质心，CenteHRj为所述区域心的质心，当所述图像中各个像素点的坐标均归一 化到[0，1]时；0f =0·4β
[0149] 进一步，所述NSCT逆变换的图像融合方法包括以下步骤：
[0150] (1)将源图像A和B分别进行非子采样轮廓波变换，得到低频子图像YoA，Yo B和一系 列高频子图像￥1^，￥1^汰=1，2，一44为高频子图像的个数，由非子采样轮廓波变换中金字 塔分解的级数和方向滤波分解的方向数决定；
[0151] (2)对一系列高频子图像￥^，￥二1^=1，2，~4和低频子图像￥()^进行融合：
[0152] (a)按照以下步骤对一系列高频子图像￥1/，￥1^汰=1，2，一4进行融合：
[0153] (b)按照以下步骤对低频子图像进行融合：
[0154]在YoA选取一个窗口Aj，在YoB选取一个窗口Bj，Aj与Bj表不大小相同的同一区域，
[0155] (bl)设Aj对应的区域图像为ej，Bj对应的区域图像为灼，将^和灼的方差与梯度分 别与预定的临界方差和临界梯度做比较，判断ept是否满足可分割条件;判断ejPt是否 满足可分割条件:将ej的方差Dev a和梯度Grada*别与预定的临界方差Devo和临界梯度Grado 做比较，若Dev a>Devo且Grada>Grado，ej满足可分割条件，否贝lj，不满足;f j的判断方式同 ej;
[0156] (b2)根据步骤(bl)的判断结果对幻与t进行融合：
[0157] 若eJPfj均不满足:将Υ〇Α与Υ〇Β分别分割为两个区域，将分割后的Υ〇Α与Υ〇1联得到 G，G包括四个区域，计算 ej，fj的平均像素灰度值，将其分别与YoA和￥<^的分割阈值比较，确定 属于G的哪一个区域类型，比较幻，6对应像素点的像素灰度值大小，根据幻，6的区域 类型，选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点；
[0158] 若^和心中的一个满足可分割条件:设q满足可分割条件，t不满足可分割条件， 将W分割为两个区域，f』作为一个区域，将分割后的^与t关联，得到关联图像 Cj，Cj包含两 个区域，依照W的区域划分方式分别将ejPfj划分为两个区域，将^和6的区域对应，比较对 应区域内对应像素点的像素灰度值大小，根据区域类型，选择像素灰度值大或者小的像素 点作为融合后相应区域的相应像素点；
[0159] 若ej和fj均满足可分割条件:将ej和fj分别分割为两个区域，将分割后的ej和f j关 联得到包括四个区域，依照W的区域划分方式分别将W和灼划分为相同的四个区域，分 另IJ用00、01、10、11表示，将^和6的区域对应，根据区域类型，选择像素灰度值大或者小的像 素点作为融合后相应区域的相应像素点；
[0160] (b3)Aj和Bj采用单像素的移动速度，按照步骤(b2)的方式，逐行逐列遍历YoA和 Y〇B，得到低频子图像融合结果Y〇F;
[0161] (3)对Y/，Y/，Y/，…，Y/与Yol行非子采样轮廓波逆变换，得到最终融合结果F。
[0162] 本发明根据中药材显微组织图像的特征，将体视学与显微图像分析相结合，以显 微图像的截面积、周长、最大直径、等效直径、长宽比、圆形度、球化度等参数以及体密度、面 数密度、数密度、面密度、间距等参数为处理分析依据，在传统PCNN模型的基础上，构建完善 的PCNN模型，并在应用中根据处理目的的需要优化及简化参数设置，完善耦合链接强度及 动态指数阈值等，建立适合处理显微组织图像的二维PCNN模型；从考虑同一中药材样本的 多幅二维显微图像及三维图像的体视学关系出发，分析PCNN生物视觉系统的模数混合处 理、串并联混合处理、动态自适应处理、非线性调制耦非线性调制耦合、同步脉冲发放、空时 编码的特性关系，搭建适合处理中药材显微图像的多通道或三维PCNN模型，可进一步提高 中药材质量评价的客观性、准确性、可重复性和智能化程度，为中药材检测与分析的现代化 提供一种新的途径。
[0163] 以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制， 凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于 本发明技术方案的范围内。
【主权项】
1. 一种适合处理显微图像PO^N模型的构建方法，其特征在于，所述的适合处理显微图 像PCNN模型的构建方法包括： 步骤一、分析无禪合连接和禪合连接状态下二维脉冲禪合神经元的动力学特性； 步骤二、在当前图像上随机选择一个像素点;通过变换视觉信息计算模型的窗口大小， 计算所述像素点与其邻域对应的方向通道的最大能量； 步骤Ξ、根据每个所述方向通道的最大能量确定所述视觉信息计算模型的最大尺度和 有效方向，根据所述最大尺度和所述有效方向确定PO^N模型的参数W和M，其中，Μ为反馈输 入域的连接矩阵;W禪合连接域的连接矩阵； 步骤四、基于Gabor函数计算所述像素点的ΚΧΚ邻域内各个像素点的Μ的方向相似性； 其中，Κ为所确定的W的矩阵的行数或列数;如果所述方向相似性在指定范围内，对所述ΚΧΚ 邻域内的像素点进行一次点火，得到所述Κ ΧΚ邻域内的像素点的图像分析数据； 步骤五、依据中药材显微图像的特征，优化PC順模型的参数设置，从PC順模型形态结构 和统计两方面优化PCNN链接输入L及反馈输入巧自线性方程的参数设置、处理图像的局部信 息自适应优化禪合链接强度ew及最佳利用输出信息改进反复指数衰减的动态阔值Θ，构建 适合处理显微组织图像的PCN饰莫型； 步骤六、通过对中药材显微图像体视学分析，根据多层次或Ξ维显微图像特点，搭建多 层次或Ξ维脉冲禪合神经元模型，分析神经元动力学特征、形成多通道或多维PCN饰莫型;所 述多通道或多维PC順模型，通过分别将多幅图像经NSCT变换后得到若干不同频率子图像， 并对应采用基于双通道PO^N进行融合后确定融合图像的各带通子带系数，最后通过NSCT逆 变换得到融合图像； 所述的PCNN模型形态结构和统计两方面包含下列参数： 显微图像的截面积、周长、最大直径、等效直径、长宽比、圆形度、球化度、体密度、面数 密度、数密度、面密度、间距； 利用下列公式运行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]为内部活动项，Yij[n]为PCNN脉冲输出，Iij[n]为索引值； 当n = l时，Lij[l]=0,则Uij[l]=Fij[l]=Sij，目ij[l]=LT(N-l) = Sij_max，对应的反馈输 入中值为Sij_max的神经元将自然点火;神经元点火后，输出Yij山= 1，01J[2]变为Ve，点火神 经元的索引值标记为Iu = N-l; 基于双通道PCNN进行图像融合的具体方法包括： 第一步、对输入的两幅原始图像在空间上进行像素级配准，保证两幅图像大小均为XX Y; 第二步、通过非下采样Contourlet变换分解已配准的两幅源图像，并分别获得其各自 的一个低频子图像和若干高频子图像； 第Ξ步、初始化双通道脉冲禪合神经网络参数，设定神经网络参数W，化，β,νθ,αβ和At 的值； 束四步、在母幅输入图像中查找Sij_niax、Sijjnin; Sij_niax< Ve , Sij_min〉0 ; 第五步、得到神经网络最大运行次数N和阔值查找表LT(s)，s为LT(s)的函数变量；式中：ti和t2分别为图像中灰度值最大像素和最小像素的自然点火时间； 第六步、将一个低频子图像和若干高频子图像作为分解系数通过双通道脉冲禪合神经 网络制定的融合规则进行融合； 第屯步、对第二步得到的各带通子带系数进行NSCT逆变换，得到最终的融合图像； 所述适合处理显微图像PCW#莫型还包括检测优化模块，该检测优化模块用于:将采集 到的图像建立图像的显著模型，所述建立图像的显著性模型包括： 利用预定过分割算法对所述图像进行过分割和模板参数提取，对整个输入图像，W8*8 个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值，得到至少一个区域， 同一个所述区域中各个像素点的颜色值相同； 确定每个所述区域的颜色值和质屯、； 根据各个区域所对应的颜色值W及各个区域的质屯、，建立所述显著性模型； 所述的显著性模型为：其中，Sii为区域Ri中任一像素点的显著性值，w(Rj)为区域扣中的像素点的个数，Ds(Ri, Rj)用于表征所述区域Ri和所述区域扣之间空间位置差异的度量值，Dc(Ri，Rj)用于表征所述 区域Ri和所述区域咕之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总 个数，Ds(Ri，Rj)为:A (《.，R,.) = 似.()-(、州w.( /口.]) ;Cente^Ri)为所述区域 Ri的质屯、，Center(Rj)为所述区域Rj的质屯、，当所述图像中各个像素点的坐标均归一化到 [0，1]时;().4:.2.如权利要求1所述的适合处理显微图像PO^N模型的构建方法，其特征在于，所述视觉 信息计算模型的视觉信息捜索方法包括： 存在样本视觉信息； 对样本视觉信息进行全局信息提取与/或局部信息提取； 对所提取的全局信息与/或局部信息进行再处理，并提取共性特征； 上述未处理与/或处理后的全局信息与/或局部信息的再处理特征建立特征模型与/或 索引； 该特征模型与/或索引传输于网络与/或网络数据库； 使该样本视觉信息的特征模型与/或索引在网络与/或网络数据库中进行捜索； 捜索到与该样本视觉信息的特征模型与索引相关度最高的视觉信息结果，运个视觉信 息结果为目标视觉信息； 将所述捜索到的目标视觉信息返回给用户端； 所述视觉信息捜索方法利用全局与/或局部特征各自的优势，在进行特征模型与索引 的提取和建立W及捜索时，采用多模块并行计算，并将结果进行有效融合； 所述样本视觉信息生成样本视觉信息是从互联网上获取已经存在的样本视觉信息. 获取到的样本视觉信息的颜色特征、纹理特征、形状特征，W便从所述视觉信息上获取 到能够描述该视觉信息的样本视觉信息； 所述的再处理至少包括加噪、变形、剪切、插入内容、旋转、缩放W及亮度增减、模糊化 处理内容； 所述模糊化处理具体包括： 获取预先设置的感应区域的滑动信息;缩小要模糊化处理的图片； 在预先设置的对应关系中查找与获得的滑动信息对应的模糊化处理方式;对所述缩小 后的图片进行模糊化处理； 按照查找到的模糊化处理方式对图片进行模糊化处理，对所述模糊化处理后的图片进 行放大，得到所需的模糊化处理后的图片； 所述对应关系包括第一对应关系和第二对应关系，该方法之前还包括： 设置滑动距离和模糊度的第一对应关系;设置滑动方向和模糊化处理方向的第二对应 关系； 所述模糊化处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；所述滑动方 向包括由上至下的滑动和由下至上的滑动，或者由右至左的滑动和由左至右的滑动； 对模糊化处理后的图片进行处理;包括:将模糊化处理后的图片设定为壁纸和/或屏幕 保护，保存模糊化处理后的图片，或者结束本流程。3.如权利要求1所述的适合处理显微图像PC順模型的构建方法，其特征在于，所述NSCT 逆变换的图像融合方法包括W下步骤： (1) 将源图像A和B分别进行非子采样轮廓波变换，得到低频子图像Y〇A，Y〇哺一系列高频 子图像ΥιΛ化B，k=i，2,…，N，N为高频子图像的个数，由非子采样轮廓波变换中金字塔分解 的级数和方向滤波分解的方向数决定； (2) 对一系列高频子图像YlΛYkB，k=l，2，…，N和低频子图像YoA，YoB进行融合： (a) 按照W下步骤对一系列高频子图像YlΛYkB，k=l，2，…，N进行融合： (b) 按照W下步骤对低频子图像进行融合： 在Y〇A选取一个窗口 Aj，在Y〇B选取一个窗口Bj，Aj与Bj表示大小相同的同一区域， (bl)设Aj对应的区域图像为ej，Bj对应的区域图像为扣将e诚。的方差与梯度分别与 预定的临界方差和临界梯度做比较，判断ej，。是否满足可分割条件;判断e神日。是否满足 可分割条件:将ej的方差Deva和梯度Grada分别与预定的临界方差Devo和临界梯度Grado做比 较，若Deva>Devo且Grada>Grado，ej满足可分割条件，否则，不满足;f j的判断方式同ej; (b2)根据步骤(bl)的判断结果对ej与进行融合： 若e麻f期不满足:将Y〇A与Y〇B分别分割为两个区域，将分割后的Y〇A与γ〇Β关联得至化，G包 括四个区域，计算ej，。的平均像素灰度值，将其分别与Υ〇Α和Υ〇Β的分割阔值比较，确定ej，fj 属于G的哪一个区域类型，比较ej，。对应像素点的像素灰度值大小，根据ej，fj的区域类型， 选择像素灰度值大或者小的像素点作为融合后相应区域的相应像素点； 若e神日中的一个满足可分割条件:设ej满足可分割条件，。不满足可分割条件，将ej分 割为两个区域，f^乍为一个区域，将分割后的ej与关联，得到关联图像cj，cj包含两个区域， 依照cj的区域划分方式分别将e神P。划分为两个区域，将e神Pfj的区域对应，比较对应区域 内对应像素点的像素灰度值大小，根据区域类型，选择像素灰度值大或者小的像素点作为 融合后相应区域的相应像素点； 若ej和f期满足可分割条件:将ej和。分别分割为两个区域，将分割后的ej和。关联得 至帖，C抱括四个区域，依照C撕区域划分方式分别将e诚f測分为相同的四个区域，分别用 00、01、10、ll表示，将e神Pf北勺区域对应，根据区域类型，选择像素灰度值大或者小的像素点 作为融合后相应区域的相应像素点； (b3)Aj和Bj采用单像素的移动速度，按照步骤化2)的方式，逐行逐列遍历Y〇A和Y〇B，得到 低频子图像融合结果Y〇P; (3)对￥/，￥2^瓜^-，￥/与￥〇唯行非子采样轮廓波逆变换，得到最终融合结果尸。
【文档编号】G06T7/60GK106097303SQ201610371400
【公开日】2016年11月9日
【申请日】2016年5月30日
【发明人】刘勍, 杨筱平, 杨红平, 马小姝, 张利军, 韩双旺
【申请人】天水师范学院