基于脉冲卷积神经网络的战场目标图像阈值分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115880324A(43)申请公布日2023.03.31(21)申请号202111139663.8G06V10/82(2022.01)(22)申请日2021.09.28G06N3/0464(2023.01)G06N3/049(2023.01)(71)申请人南京理工大学G06N3/06(2006.01)地址210094江苏省南京市玄武区孝陵卫G06Q10/0637(2023.01)200号(72)发明人吴益飞成爱萍陈庆伟郭健李胜樊卫华赵鹏郑瑞琳梁皓(74)专利代理机构南京理工大学专利中心32203专利代理师朱炳斐(51)Int.Cl.G06T7/136(2017.01)G06T9/00(2006.01)G06V10/44(2022.01)权利要求书4页说明书8页附图2页(54)发明名称基于脉冲卷积神经网络的战场目标图像阈值分割方法(57)摘要本发明公开了一种基于脉冲卷积神经网络的战场目标图像阈值分割方法，包括：利用多重卷积模板提取战场目标图像基本特征；建立IF神经元模型；通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层—中间层—输出层”的脉冲神经网络拓扑结构；利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；基于阈值分割原理完成战场目标图像分割；采用二维熵来评价分割结果。与传统方法相比，使用本发明提出的战场目标图像分割方法网络训练功耗更低，具有高度生物可解释性，对噪声有更强的鲁棒性，分割战场目标效果更好。CN115880324ACN115880324A权利要求书1/4页1.一种基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，所述方法包括以下步骤：步骤1，利用多重卷积模板提取战场目标图像基本特征；步骤2，建立IF神经元模型；步骤3，通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构；步骤4，利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计算中间层神经元的瞬时膜电位；步骤5，基于阈值分割原理完成战场目标图像分割。2.根据权利要求1所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤1所述利用多重卷积模板提取战场目标图像基本特征，具体包括：利用卷积对战场目标图像的每个像素进行加权求和，从而提取战场目标不同层次的特征，具体公式为：式中，S为卷积核运算结果，I为滑动窗口对应的战场目标图像，K为卷积核，(i,j)对应输出数据的位置，(m,n)为输入的像素在滑窗中的位置。3.根据权利要求1或2所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤2所述建立IF神经元模型，具体过程包括：以IF神经元为基本组成构建网络模型，特征公式如下式：式中，τm＝CmRm，Cm为膜电容，Rm为膜电阻，τm为膜时间常量，I为突触输入或外部注入电流，为通过膜电阻Rm的电流，为膜电容Cm充电电流，V为膜电位，Vrest为静息电位；不提供外部注入电流，模型可简化为：4.根据权利要求3所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤3所述通过初始化神经元模型参数、采用首脉冲触发方法对战场目标图像基本特征进行编码，搭建“输入层——中间层——输出层”的脉冲神经网络拓扑结构，具体过程包括：步骤3‑1，将战场目标基本特征编码转换为脉冲形式，采用首脉冲触发时间编码策略，转换公式如下式：2CN115880324A权利要求书2/4页f式中，t表示由像素灰度值编码的脉冲发放时间，Tmax表示像素灰度值编码脉冲的最大发放时间，P表示图像的灰度值，δ表示无限接近于0的正常数；步骤3‑2，对IF神经元模型参数进行初始化，相应阈值参数具体设置如下：式中，Vrest为静息电位，Vthresh为阈值电位，τm为膜时间常量；步骤3‑3，构建战场目标图像分割的三层脉冲神经网络模型：(1)第一层为特征图像输入层，用于输入步骤3‑1转换好的脉冲序列，所有像素都对应一个接收器；(2)第二层为中间层，每个神经元对应一个输入层的感受野，整合来自感受野中的脉冲序列；(3)第三层为输出层，通过阈值反应中间层的脉冲输出，通过脉冲发放时间图表示相应输入层图像的分割结果；基于上述三层网络，完成脉冲神经网络拓扑结构的搭建。5.根据权利要求4所述的基于脉冲卷积神经网络的战场目标图像阈值分割方法，其特征在于，步骤4所述利用感受野整合输入层脉冲序列，计算得到中间层每一个神经元与输入层神经元之间的连接权值，同时基于IF神经元模型计