[发明专利]一种图像脉冲序列的生成方法、装置及可读存储介质

说明书

本申请公开了一种图像脉冲序列的生成方法、装置及计算机可读存储介质，通过获取图像中每个像素的RGB通道灰度值；根据RGB通道灰度值，计算得到每个像素的色调值、饱和度和明度值；并且将当前像素的色调值、饱和度和明度值分别作为泊松过程的参数，以生成的泊松流作为当前像素的脉冲序列；从而得到更符合人脑工作机制的脉冲神经网络模型，同时可以提高脉冲神经网络的识别准确性，从而提高光感灵敏度。

技术领域

本申请涉及神经网络模型技术领域，具体涉及一种图像脉冲序列的生成方法、装置及计算机可读存储介质。

背景技术

随着计算机技术的不断发展，出现了一种模拟人脑思维过程的人工神经网络算法(Artificial Neural Network，ANN)。脉冲神经网络(Spiking Neural Network，SNN)脉冲神经网络是源于生物启发的新一代人工神经网络模型，属于深度学习的子集，且具有较强的生物基础支撑。在ANN的基础之上，SNN采用了模拟大脑神经元工作机制的脉冲神经元作为激活单元，模拟生物神经信息的传递过程，使得脉冲神经网络具有高度的生物相似性。不同于传统人工神经网络是，脉冲神经元利用脉冲序列来表示信息，且脉冲神经元通常具备记忆功能，脉冲神经元具有更复杂的动力学模型，这使得SNN相较于ANN能够更好地利用时空信息，从而具备更强的学习能力。

然而，目前计算机对于图像的主要存储和处理方式是将图像内的每一个像素分解为RGB三色的组合，基于RGB通道生成的脉冲序列不具备生物依据、不符合人脑的工作机制，并且用于SNN网络训练的数据集的图片质量较高，色彩对比度高且亮度波动不大，在实际场景下采光较差时，RGB各通道内的脉冲序列输出将会变得稀疏，脉冲神经元将会变得难以激活。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种图像脉冲序列的生成方法、装置及计算机可读存储介质，解决了上述技术问题。

根据本申请的一个方面，提供了一种图像脉冲序列的生成方法，应用于脉冲神经网络模型，所述图像脉冲序列的生成方法包括：获取图像中每个像素的RGB通道灰度值；根据所述RGB通道灰度值，计算得到每个像素的色调值、饱和度和明度值；以及将当前像素的所述色调值、所述饱和度和所述明度值分别作为泊松过程的参数，以生成泊松流作为所述当前像素的脉冲序列。

在一实施例中，所述将当前像素的所述色调值、所述饱和度和所述明度值分别作为泊松过程的参数，以生成泊松流作为所述当前像素的脉冲序列包括：对所述当前像素的所述色调值进行归一化处理，以得到归一化后的色调值；以及将所述归一化后的色调值、所述饱和度和所述明度值，分别作为泊松过程的参数，以生成泊松流作为所述当前像素的三个脉冲序列。

在一实施例中，所述对所述当前像素的所述色调值进行归一化处理，以得到归一化后的色调值包括：对所述当前像素的所述色调值进行全域归一化处理，和/或对所述当前像素的所述色调值进行子区间归一化处理，以得到所述归一化后的色调值。

在一实施例中，所述对所述当前像素的所述色调值进行全域归一化处理包括：所述归一化后的色调值其中，H_ij为所述色调值。

在一实施例中，所述对所述当前像素的所述色调值进行子区间归一化处理包括：所述归一化后的色调值其中，H_ij为所述色调值，N为色调盘的子区间数量，m为所述色调值所在的子区间序号。

在一实施例中，所述将所述归一化后的色调值、所述饱和度和所述明度值，分别作为泊松过程的参数，以生成泊松流作为所述当前像素的三个脉冲序列包括：以所述归一化后的色调值作为泊松过程的的概率值，以生成泊松流作为所述当前像素的一个脉冲序列。

在一实施例中，所述将所述归一化后的色调值、所述饱和度和所述明度值，分别作为泊松过程的参数，以生成泊松流作为所述当前像素的三个脉冲序列包括：以所述饱和度作为泊松过程的的概率值，以生成泊松流作为所述当前像素的一个脉冲序列。