[发明专利]一种基于脉冲神经膜系统的快速并行图像细化方法

说明书

本发明提供了一种基于脉冲神经膜系统的快速并行图像细化算法。本发明基于脉冲神经膜系统分布式、并行性的特点，通过脉冲神经膜系统对图像中的像素点编码，并将满足图像细化算法删除条件的像素点删除。本发明提供的技术方案可以得到与原图像相同拓扑结构的细化图像，是图像预处理中的关键步骤，并且具有细化效果好、处理速度快的优点。

技术领域

本发明涉及一种快速并行图像细化算法，特别涉及一种基于脉冲神经膜系统的快速并行图像细化算法。

背景技术

图像识别的过程包括预处理、特征提取、特征匹配、相似性计算等环节。预处理主要对识别的对象进行去噪、平滑和增强等处理。其中，图像预处理是一个很重要的部分，它的处理效果直接影响后续的特征提取。

图像细化算法是使二值图像在保持原有的拓扑结构的前提下删除边缘像素，直到为单像素宽为止，是预处理中的一个重要环节。因为一般的特征提取都是在细化的基础上进行的，如果细化不好，将无法使用常规的特征提取算法提取细节特征信息。因此细化方法的好坏对整个图像识别系统的性能具有重要的意义，所以有必要对细化方法做进一步研究。细化将原始的图像用更少的信息表示出来，并且不改变原始图像的拓扑结构。作为一种降维的图像描述方式，组合了识别目标的轮廓和区域信息，从而基于骨架的目标表示和识别技术成为模式识别和计算机视觉的重要研究内容，被广泛应用于字符识别、指纹识别以及医学图像分析等领域。现有的细化算法主要有：Hilditch细化算法、SPTA细化算法、OPTA细化算法、Pavlidis细化算法、Rosenfeld细化算法。

脉冲神经膜系统是受生物神经元处理与传递信息的方式启发设计的神经型计算系统，是一种分布式、并行的、离散的计算模型。已经证明脉冲神经膜系统具有强大的计算能力，并且大多数模型都是图灵等价的。同时在解决计算困难问题方面也显示出了巨大的潜力。

传统的细化算法存在以下缺点：细化分支过多，细化结果不稳定，不能反映目标的主体结构；不能保证细化结果为单像素宽度。

发明内容

为了解决现有的算法缺点，本发明提出了一种基于脉冲神经膜系统的快速并行图像细化算法，本发明基于脉冲神经网络的分布式、并行性的特点，其通过将满足图像细化算法删除条件的黑色像素点变为白色像素，迭代对图像做细化操作，直到没有满足删除条件的像素点为止。

本发明所采用的技术方案如下：

一种基于脉冲神经膜系统的快速并行图像细化算法，包括以下部分：

A、对二值图像中的每个像素点编码；

B、根据快速并行细化算法中删除黑色像素点的条件，找出每一种符合删除条件点的编码，给出这些编码的集合，即删除集合DEL₁、DEL₂；

C、建立图像细化脉冲神经膜系统。

部分A中，所述的像素点编码是指：对于除边缘像素点以外的每个像素点，将其设为P₀，其周围相邻的八个像素点按照时钟顺序分别设为P₁、P₂、P₃、P₄、P₅、P₆、P₇、P₈，假设图像中第i行第j列的像素点标记为(i，j)，当像素点为黑色像素时Hr＝0，当像素点为白色像素时Hr＝1，则对(i，j)像素点的编码为：