在目標(biāo)識(shí)別算法中,，最為關(guān)鍵的是目標(biāo)特征的提取。一般以提取物理特征為主,，而其中尋找圖像在縮放,、平移和旋轉(zhuǎn)情況下的不變特征一直是目標(biāo)識(shí)別領(lǐng)域的研究方向之一。這些不變特征是良好區(qū)分不同目標(biāo)物體的重要標(biāo)志,。迄今為止,，圖像識(shí)別" title="圖像識(shí)別">圖像識(shí)別算法己有多種，如不變矩法^[1],、相關(guān)法^[2],、判別熵最小化法、歸一化轉(zhuǎn)動(dòng)慣量(NMI)法^[3]等,。但以上幾種目標(biāo)識(shí)別方法較為復(fù)雜,，對(duì)復(fù)雜圖像識(shí)別效果也并不理想，在實(shí)時(shí)性要求較高的圖像處理領(lǐng)域具有一定的限制,。
　　脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN（Pulse Coupled Neural Networks)是上世紀(jì)90年代形成和發(fā)展的一種新型神經(jīng)網(wǎng)絡(luò),。PCNN有著生物學(xué)的背景，是依據(jù)貓,、猴等動(dòng)物大腦視覺(jué)皮層上的同步脈沖發(fā)放現(xiàn)象提出的^[4],，已被廣泛應(yīng)用于圖像處理領(lǐng)域。在圖像模式分類與識(shí)別中,，常見(jiàn)的有PCNN與后續(xù)處理模式識(shí)別器的結(jié)合[5,，6]或與其他方法相結(jié)合^[7]的方式；文獻(xiàn)^[8]給出了基于PCNN分割二值圖像熵序列的圖像識(shí)別方法,。本文基于PCNN提出了一種新的圖像特征提取與識(shí)別方法,，該方法能夠?qū)φ鶊D像的特征提取，且提取的識(shí)別參數(shù)少,，準(zhǔn)確率高,。
1 PCNN模型基本原理
　　PCNN也稱為第三代人工神經(jīng)網(wǎng)絡(luò),。PCNN的每個(gè)神經(jīng)元一般由三部分組成：接收部分、調(diào)制部分和脈沖產(chǎn)生部分,，用離散數(shù)學(xué)方程描述如下[9]：
　　
　　其中ij下標(biāo)為神經(jīng)元的標(biāo)號(hào),，I_ij、F_ij,、L_ij,、U_ij和θ_ij分別為神經(jīng)元的外部刺激(圖像像素構(gòu)成的矩陣中第N_ij個(gè)像素的灰度值）、反饋輸入,、連接輸入,、內(nèi)部活動(dòng)項(xiàng)和動(dòng)態(tài)閾值，M和W為連接權(quán)矩陣(一般W=M),，VF,、VL、Vθ分別為幅度常數(shù),，α_F,、α_L與α_θ分別為時(shí)間衰減常數(shù)，n為迭代次數(shù),，Y_ij為二值輸出,。
　　在用PCNN進(jìn)行圖像處理時(shí)，將一個(gè)二維PCNN網(wǎng)絡(luò)的M×N個(gè)神經(jīng)元分別與二維輸入圖像的M×N個(gè)像素相對(duì)應(yīng),。在第一次迭代時(shí),，神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)就等于外部刺激I_ij，若I_ij大于閾值,，這時(shí)神經(jīng)元輸出為1,，為自然激活，此時(shí)其閾值θ_ij將急劇增大,，然后隨時(shí)間指數(shù)衰減,。在此之后的各次迭代中，被激活的神經(jīng)元通過(guò)與之相鄰神經(jīng)元的連接作用激勵(lì)鄰接神經(jīng)元,，若鄰接神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)大于閾值則被捕獲激活,。顯然，如果鄰接神經(jīng)元與前一次迭代激活的神經(jīng)元所對(duì)應(yīng)的像素具有相似強(qiáng)度,，則鄰接神經(jīng)元容易被捕獲激活,，反之不能被捕獲激活。因此,，利用某一神經(jīng)元的自然激活會(huì)觸發(fā)其周邊相似神經(jīng)元的集體激活,，產(chǎn)生脈動(dòng)輸出序列Y[n],，且它們形成了一個(gè)神經(jīng)元集群,，從而可實(shí)現(xiàn)相關(guān)特征信息的提取與處理,。
2 改進(jìn)型PCNN賦時(shí)矩陣圖像識(shí)別算法
2.1 改進(jìn)型PCNN模型及其賦時(shí)矩陣
　　傳統(tǒng)PCNN模型的關(guān)鍵思想是其非線性調(diào)制耦合機(jī)制和閾值指數(shù)衰變機(jī)制，而非線性調(diào)制耦合機(jī)制是核心,。傳統(tǒng)PCNN模型中雖然其閾值是指數(shù)衰降的,，但又是反復(fù)變化的，即經(jīng)過(guò)長(zhǎng)時(shí)間(或短時(shí)間)的衰降之后必然會(huì)有一次由于神經(jīng)元激活造成的突然上升,，之后又衰降,，然后又突然上升……顯然，這種變化規(guī)律不符合人眼對(duì)亮度強(qiáng)度響應(yīng)的非線性要求,，而且這種閾值機(jī)制使得處理后的大量信息蘊(yùn)含在神經(jīng)元的激活周期(頻率)或者激活相位中,，而直接的二值輸出圖像卻并不包含全部的信息。為克服上述缺點(diǎn),，本文對(duì)閾值函數(shù)做了改進(jìn),，即把隨時(shí)間反復(fù)衰變的指數(shù)函數(shù)改進(jìn)成為隨時(shí)間單調(diào)遞減指數(shù)函數(shù)并對(duì)模型進(jìn)行了簡(jiǎn)化，其表達(dá)式如下：
　　
　　其中,，U_ij[n],、Y_ij[n]的表達(dá)式與式(3)、式(4)相同,。改進(jìn)型PCNN用于圖像處理時(shí),，有以下關(guān)鍵概念：(1)神經(jīng)元的外部輸入是與之相關(guān)聯(lián)像素的灰度值，即F_ij[n]=I_ij,；(2)所有神經(jīng)元結(jié)構(gòu)相等且各個(gè)神經(jīng)元的參數(shù)一致,；(3)每個(gè)神經(jīng)元接受與之距離為R以內(nèi)的神經(jīng)元連接輸入，內(nèi)部連接矩陣W是一個(gè)3×3的方陣,，每個(gè)元素的值為中心像素到周圍每個(gè)像素的歐幾里德距離的倒數(shù)(R^-1),；(4)每個(gè)像素所對(duì)應(yīng)的神經(jīng)元只能被激活一次。
　　當(dāng)改進(jìn)型PCNN對(duì)圖像進(jìn)行迭代處理時(shí),，在此定義一個(gè)賦時(shí)矩陣T,，其大小與外部輸入I、輸出Y相等,，并且T中的任一元素與I,、Y聯(lián)系的神經(jīng)元一一對(duì)應(yīng)，在T中存儲(chǔ)與每個(gè)神經(jīng)元點(diǎn)火時(shí)間相聯(lián)系的時(shí)刻信息,，即T_ij是第(i,，j)個(gè)神經(jīng)元的點(diǎn)火時(shí)間（或次數(shù)）。在本文中定義T_ij為第(i,，j)個(gè)神經(jīng)元第一次點(diǎn)火的時(shí)間：
　　
　　賦時(shí)矩陣反映了基于圖像空間信息的時(shí)間域信息,。它忠實(shí)地記錄了與每個(gè)神經(jīng)元點(diǎn)火時(shí)間相關(guān)的信息，分別有以下幾種情況：(1)如果該神經(jīng)元從未點(diǎn)過(guò)火,，則在T中對(duì)應(yīng)點(diǎn)的值為0,；(2)在第n時(shí)刻第一次點(diǎn)火,，在T中對(duì)應(yīng)點(diǎn)的值為n；(3)該神經(jīng)元已點(diǎn)過(guò)火,，則T中對(duì)應(yīng)點(diǎn)的值保持上一次的值不變,。其迭代過(guò)程一直進(jìn)行到所有神經(jīng)元都點(diǎn)過(guò)火，T中的元素值均不為0,，最后形成PCNN賦時(shí)矩陣T,。
2.2 直方圖矢量重心特征
2.2.1 基本概念定義
　　二維數(shù)字化灰度圖像f(i，j)的M×N個(gè)像素可看作是XOY平面上的M×N個(gè)質(zhì)點(diǎn),，像素的灰度值f(i,，j)就是相應(yīng)質(zhì)點(diǎn)的質(zhì)量。結(jié)合物理學(xué)相關(guān)概念[10],，對(duì)圖像作如下定義：
　　定義1 二維灰度圖像所有的灰度值之和定義為該灰度圖像的質(zhì)量,，記為m，則：
　　
　　對(duì)于均勻灰度值的二維圖像,，圖像的重心亦即該圖像所占平面圖形的形心,。
2.2.2 直方圖矢量重心
　　當(dāng)對(duì)二維圖像求其直方圖H(g)時(shí)，H(g)是對(duì)于g的一維函數(shù),，其中g(shù)為圖像的灰度,，其值介于0～L（最大灰度值）。則H(g)是一個(gè)對(duì)于g的L+1維向量,，對(duì)其利用上述定義,，則有如下關(guān)系式：
　　
　　(5)式中分別定義為直方圖矢量的質(zhì)量和直方圖矢量的重心。
　　由于原始圖像的直方圖不含有空間信息,，所以不同的圖像有可能具有相同的直方圖,。鑒于此，上述直方圖矢量的重心和歸一化直方圖矢量重心質(zhì)量不能反映圖像的特征,，不能用于圖像的識(shí)別,；但當(dāng)對(duì)原始圖像進(jìn)行PCNN處理，形成PCNN賦時(shí)矩陣,，將賦時(shí)矩陣作為一幅圖像求其直方圖及上述相關(guān)物理量時(shí),，PCNN在迭代過(guò)程中利用了調(diào)制耦合機(jī)制，形成賦時(shí)矩陣的直方圖矢量既包含像素的灰度信息,，又包含像素的空間信息,；賦時(shí)矩陣直方圖矢量的重心能忠實(shí)地反映圖像特征,其表達(dá)式如下：
　　
　　在(6)式中n為賦時(shí)矩陣T中對(duì)應(yīng)神經(jīng)元的激活時(shí)刻，S為最大迭代時(shí)間,，H(n)為T的直方圖,，為T直方圖矢量的重心。
3 實(shí)驗(yàn)結(jié)果與分析
　　本文利用Matlab6.5語(yǔ)言，選用了100幅不同的256×256灰度人物圖像作為圖像識(shí)別模式庫(kù),，對(duì)圖像分別進(jìn)縮放,、旋轉(zhuǎn)及平移等操作，然后按圖1所示過(guò)程處理,，對(duì)圖像進(jìn)行識(shí)別。
　　為保證PCNN對(duì)處理圖像的統(tǒng)一性及該方法的可適用性,，對(duì)不同圖像的處理要求在同一PCNN模型下進(jìn)行,。參數(shù)是β=0.1，V_L=0.05,，θ₀=256,，α_θ=0.1，Y,、L,、U及T初值設(shè)為零，內(nèi)部連接矩陣W=M是一個(gè)3×3方陣,，網(wǎng)絡(luò)中每個(gè)神經(jīng)元只與歐氏距離≤R(R=3)的相鄰神經(jīng)元鏈接,。

　　(1)對(duì)256×256 Lena圖像進(jìn)行旋轉(zhuǎn)、縮放及平移處理操作實(shí)驗(yàn),。圖1(a)是Lena原圖,，圖1(b)是利用PCNN對(duì)Lena圖像處理得到的T矩陣，圖1(c)是T矩陣的直方圖,；圖2(a)是Lena圖像縮小為40%時(shí)T的直方圖,，圖2(b)是對(duì)Lena圖像旋轉(zhuǎn)45°時(shí)T的直方圖；其相關(guān)實(shí)驗(yàn)數(shù)據(jù)如表1所示,。

　　(2)對(duì)圖像模式庫(kù)中部分不同圖像特征提取后,，與Lena圖像識(shí)別對(duì)比。圖3是模式庫(kù)中待識(shí)別的部分人物圖像,，實(shí)驗(yàn)數(shù)據(jù)如表2所示,。

　　
　　通過(guò)以上實(shí)驗(yàn)圖表可以看出：(1)由于采用的閾值函數(shù)隨時(shí)間單調(diào)遞減，所以通過(guò)PCNN迭代形成的T矩陣圖像是原圖像的反白,，如圖1（b）所示,；(2)當(dāng)待識(shí)別目標(biāo)圖像與識(shí)別庫(kù)中圖像存在一定的比例變化、旋轉(zhuǎn)及平移(見(jiàn)表1)時(shí),，采用PCNN直方圖矢量重心特征識(shí)別,，其識(shí)別誤差小，具有良好的幾何畸變(TRS)不變性,；(3)若待識(shí)別目標(biāo)圖像與識(shí)別庫(kù)中圖像存在一定的差異,，當(dāng)采用本文方法進(jìn)行識(shí)別時(shí)，雖有一定的識(shí)別誤差，但誤差不大,。在實(shí)際圖像識(shí)別過(guò)程中,，當(dāng)運(yùn)用本文算法進(jìn)行處理時(shí)，可預(yù)先設(shè)定直方圖矢量重心識(shí)別誤差判別值（例如本文可設(shè)=1.0%）來(lái)對(duì)待識(shí)別圖像進(jìn)行分類識(shí)別,。