第12卷第2期 智能系统学报 Vol.12 No.2 2017年4月 CAAI Transactions on Intelligent Systems Apr.2017 D0I:10.11992/is.201605027 网络出版地址：http://www.cmki.net/kcms/detail,/23.1538.tp.20170111.1705.014.html 基于PCNN的图像椒盐噪声滤除方法 闫海鹏，吴玉厚2 (1.沈阳建筑大学机械工程学院，辽宁沈阳110168：2.沈阳建筑大学高档石材数控加工装备与技术国家地方联合 工程实验室，辽宁沈阳110168) 摘要：传统的降噪方法在图像降噪之后会损坏图像的部分边缘细节信息，致使图像的轮廓变得模糊不清。为了达 到更好的图像降噪效果，提出一种改变突触链接强度和改进阈值函数的脉冲耦合神经网络的图像降噪方法。该方 法将基本脉冲耦合神经网络模型进行简化，使突触链接强度自适应取值，将阈值函数改进为分段的衰减函数，从而 提高对图像不同灰度值的分辨力，并根据神经元与其周围神经元点火时间差定位噪声点，提高了算法对噪声点的辨 识精确度，进而实现更好的降噪效果。实验结果表明，改进方法准确地辨识出了图像的椒盐噪声点，并且能够有效 去除噪声点，同时很好地保护图像边缘细节。 关键词：图像降噪；脉冲耦合神经网络：突触链接强度：阈值函数：分辨力 中图分类号：TP391文献标志码：A文章编号：1673-4785(2017)02-0272-07 中文引用格式：间海鹏，吴玉厚.基于PCNN的图像椒盐噪声滤除方法[J].智能系统学报，2017,12(2)：272-272 英文引用格式：YAN Haipeng,WU Yuhou.Filtering image impulse noise by using a PCNN image noise reduction technique[J]. CAAI transactions on intelligent systems,2017,12(2):272-278. Filtering image impulse noise by using a PCNN image noise reduction technique YAN Haipeng',WU Yuhou? (1.School of Mechanical Engineering,Shenyang Jianzhu University,Shenyang 110168,China;2.National-Local Joint Engineering Laboratory of High-Grade Stone Numerical Control Machining Equipments and Technology,Shenyang Jianzhu University,Shenyang 110168,China) Abstract:Traditional methods for image noise reduction typically damage the edges and details of an image,blur image contours,and thereby make them indistinct after image noise reduction is complete.To achieve better results in image noise reduction,we propose a pulse coupling neural network (PCNN)image noise reduction method based on a modified synaptic link strength and a modified threshold function.We simplified the basic PCNN model and adaptively changed the synaptic link strength value;further,we improved the threshold function by using a segmented attenuation function so as to improve the resolving power for different gray values of the given images.We improved the accuracy of our algorithm for identifying noise by positioning noise points according to the difference of firing times between the neuron and its surrounding neurons.Using this approach,we achieved better noise reduc- tion results;our experimental results showed that our proposed method was able to accurately identify image impulse noise points and effectively remove these noise points.Further,through subjective evaluation,we observed that im- age edge details were also protected. Keywords:image noise reduction;pulse coupling neural network;synaptic link strength;threshold function;re- solving power 收稿日期：2016-05-26.网络出版日期：2017-01-11. 基金项目：国家自然科学基金项目(51375317). 图像在切割及传输等过程中，不可避免地会受 通信作者：吴玉厚.E-mail:wuyh@sju.cd.cn
第 １２ 卷第 ２ 期 智 能 系 统 学 报 Ｖｏｌ．１２ №．２ ２０１７ 年 ４ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ａｐｒ． ２０１７ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１６０５０２７ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ｔｐ．２０１７０１１１．１７０５．０１４．ｈｔｍｌ 基于 ＰＣＮＮ 的图像椒盐噪声滤除方法 闫海鹏１ ，吴玉厚２ （１．沈阳建筑大学 机械工程学院，辽宁 沈阳 １１０１６８； ２． 沈阳建筑大学 高档石材数控加工装备与技术国家地方联合 工程实验室，辽宁 沈阳 １１０１６８） 摘 要：传统的降噪方法在图像降噪之后会损坏图像的部分边缘细节信息，致使图像的轮廓变得模糊不清。 为了达 到更好的图像降噪效果，提出一种改变突触链接强度和改进阈值函数的脉冲耦合神经网络的图像降噪方法。 该方 法将基本脉冲耦合神经网络模型进行简化，使突触链接强度自适应取值，将阈值函数改进为分段的衰减函数，从而 提高对图像不同灰度值的分辨力，并根据神经元与其周围神经元点火时间差定位噪声点，提高了算法对噪声点的辨 识精确度，进而实现更好的降噪效果。 实验结果表明，改进方法准确地辨识出了图像的椒盐噪声点，并且能够有效 去除噪声点，同时很好地保护图像边缘细节。 关键词：图像降噪；脉冲耦合神经网络；突触链接强度；阈值函数；分辨力 中图分类号： ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１７）０２－０２７２－０７ 中文引用格式：闫海鹏，吴玉厚． 基于 ＰＣＮＮ 的图像椒盐噪声滤除方法［Ｊ］． 智能系统学报， ２０１７， １２（２）： ２７２－２７２． 英文引用格式：ＹＡＮ Ｈａｉｐｅｎｇ， ＷＵ Ｙｕｈｏｕ． Ｆｉｌｔｅｒｉｎｇ ｉｍａｇｅ ｉｍｐｕｌｓｅ ｎｏｉｓｅ ｂｙ ｕｓｉｎｇ ａ ＰＣＮＮ ｉｍａｇｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅ［ Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１７， １２（２）： ２７２－２７８． Ｆｉｌｔｅｒｉｎｇ ｉｍａｇｅ ｉｍｐｕｌｓｅ ｎｏｉｓｅ ｂｙ ｕｓｉｎｇ ａ ＰＣＮＮ ｉｍａｇｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ＹＡＮ Ｈａｉｐｅｎｇ １ ， ＷＵ Ｙｕｈｏｕ ２ （１． Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｓｈｅｎｙａｎｇ Ｊｉａｎｚｈｕ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈｅｎｙａｎｇ １１０１６８， Ｃｈｉｎａ； ２． Ｎａｔｉｏｎａｌ⁃Ｌｏｃａｌ Ｊｏｉｎｔ Ｅｎｇｉｎｅｅｒｉｎｇ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｈｉｇｈ⁃Ｇｒａｄｅ Ｓｔｏｎｅ Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ Ｍａｃｈｉｎｉｎｇ Ｅｑｕｉｐｍｅｎｔｓ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｓｈｅｎｙａｎｇ Ｊｉａｎｚｈｕ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈｅｎｙａｎｇ １１０１６８， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｒａｄｉｔｉｏｎａｌ ｍｅｔｈｏｄｓ ｆｏｒ ｉｍａｇｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｔｙｐｉｃａｌｌｙ ｄａｍａｇｅ ｔｈｅ ｅｄｇｅｓ ａｎｄ ｄｅｔａｉｌｓ ｏｆ ａｎ ｉｍａｇｅ， ｂｌｕｒ ｉｍａｇｅ ｃｏｎｔｏｕｒｓ， ａｎｄ ｔｈｅｒｅｂｙ ｍａｋｅ ｔｈｅｍ ｉｎｄｉｓｔｉｎｃｔ ａｆｔｅｒ ｉｍａｇｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｉｓ ｃｏｍｐｌｅｔｅ． Ｔｏ ａｃｈｉｅｖｅ ｂｅｔｔｅｒ ｒｅｓｕｌｔｓ ｉｎ ｉｍａｇｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ， ｗｅ ｐｒｏｐｏｓｅ ａ ｐｕｌｓｅ ｃｏｕｐｌｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ （ ＰＣＮＮ） ｉｍａｇｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ａ ｍｏｄｉｆｉｅｄ ｓｙｎａｐｔｉｃ ｌｉｎｋ ｓｔｒｅｎｇｔｈ ａｎｄ ａ ｍｏｄｉｆｉｅｄ ｔｈｒｅｓｈｏｌｄ ｆｕｎｃｔｉｏｎ． Ｗｅ ｓｉｍｐｌｉｆｉｅｄ ｔｈｅ ｂａｓｉｃ ＰＣＮＮ ｍｏｄｅｌ ａｎｄ ａｄａｐｔｉｖｅｌｙ ｃｈａｎｇｅｄ ｔｈｅ ｓｙｎａｐｔｉｃ ｌｉｎｋ ｓｔｒｅｎｇｔｈ ｖａｌｕｅ； ｆｕｒｔｈｅｒ， ｗｅ ｉｍｐｒｏｖｅｄ ｔｈｅ ｔｈｒｅｓｈｏｌｄ ｆｕｎｃｔｉｏｎ ｂｙ ｕｓｉｎｇ ａ ｓｅｇｍｅｎｔｅｄ ａｔｔｅｎｕａｔｉｏｎ ｆｕｎｃｔｉｏｎ ｓｏ ａｓ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｓｏｌｖｉｎｇ ｐｏｗｅｒ ｆｏｒ ｄｉｆｆｅｒｅｎｔ ｇｒａｙ ｖａｌｕｅｓ ｏｆ ｔｈｅ ｇｉｖｅｎ ｉｍａｇｅｓ． Ｗｅ ｉｍｐｒｏｖｅｄ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｏｕｒ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｉｄｅｎｔｉｆｙｉｎｇ ｎｏｉｓｅ ｂｙ ｐｏｓｉｔｉｏｎｉｎｇ ｎｏｉｓｅ ｐｏｉｎｔｓ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｏｆ ｆｉｒｉｎｇ ｔｉｍｅｓ ｂｅｔｗｅｅｎ ｔｈｅ ｎｅｕｒｏｎ ａｎｄ ｉｔｓ ｓｕｒｒｏｕｎｄｉｎｇ ｎｅｕｒｏｎｓ． Ｕｓｉｎｇ ｔｈｉｓ ａｐｐｒｏａｃｈ， ｗｅ ａｃｈｉｅｖｅｄ ｂｅｔｔｅｒ ｎｏｉｓｅ ｒｅｄｕｃ⁃ ｔｉｏｎ ｒｅｓｕｌｔｓ； ｏｕｒ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｏｕｒ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｗａｓ ａｂｌｅ ｔｏ ａｃｃｕｒａｔｅｌｙ ｉｄｅｎｔｉｆｙ ｉｍａｇｅ ｉｍｐｕｌｓｅ ｎｏｉｓｅ ｐｏｉｎｔｓ ａｎｄ ｅｆｆｅｃｔｉｖｅｌｙ ｒｅｍｏｖｅ ｔｈｅｓｅ ｎｏｉｓｅ ｐｏｉｎｔｓ． Ｆｕｒｔｈｅｒ， ｔｈｒｏｕｇｈ ｓｕｂｊｅｃｔｉｖｅ ｅｖａｌｕａｔｉｏｎ， ｗｅ ｏｂｓｅｒｖｅｄ ｔｈａｔ ｉｍ⁃ ａｇｅ ｅｄｇｅ ｄｅｔａｉｌｓ ｗｅｒｅ ａｌｓｏ ｐｒｏｔｅｃｔｅｄ． Ｋｅｙｗｏｒｄｓ： ｉｍａｇｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ； ｐｕｌｓｅ ｃｏｕｐｌｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； ｓｙｎａｐｔｉｃ ｌｉｎｋ ｓｔｒｅｎｇｔｈ； ｔｈｒｅｓｈｏｌｄ ｆｕｎｃｔｉｏｎ； ｒｅ⁃ ｓｏｌｖｉｎｇ ｐｏｗｅｒ 收稿日期：２０１６－０５－２６． 网络出版日期：２０１７－０１－１１． 基金项目：国家自然科学基金项目（５１３７５３１７）． 通信作者：吴玉厚． Ｅ⁃ｍａｉｌ：ｗｕｙｈ＠ ｓｊｚｕ．ｅｄｕ．ｃｎ． 图像在切割及传输等过程中，不可避免地会受
第2期 闫海鹏，等：基于PCNN的图像椒盐噪声滤除方法 ·273· 到各种噪声污染，其中最常见的就是由白色亮点盐 数V,然后加上外部刺激信号，并且随时间按指数 噪声和黑色暗点胡椒噪声组成的黑白杂点，即椒盐 变化不断衰减。而L通道的链接输人L仅接收其 噪声，也称脉冲噪声。图像降噪就是将被污染的噪 周围神经元的链接信号，其值为神经元链接权系数 声点去除，使其恢复原来图像的过程。图像降噪既 矩阵W与邻域内各神经元输出值点乘的和再乘以 要保证图像边缘细节信息不被破坏，又要对噪声点 神经元链接幅度系数V,同时也随时间按指数形式 进行去除，使图像清晰，有较好的视觉效果。传统的 逐渐衰减。 降噪方法[引，如中值降噪在对图像降噪过程中对 调制器的作用是调节F和L两条通道传递的 每一个像素点都进行滤波，致使图像纹理细节得到 信号，通过耦合调制得到内部活动项U 不同程度的破坏，从而影响了图像清晰度，没有使图 脉冲发生器用来控制脉冲的产生与否，当U:≥ 像得到更好地恢复。 0,时，神经元点火发放脉冲，即输出Y,=1,否则神经 脉冲耦合神经网络[6)(pulse coupled neural 元不点火，输出Y:=0。其中动态阈值0，按指数形 network,PCNN)是第3代人工神经网络，由于它有 式随时间衰减。 着极强的生物学背景，因此显示出突出的图像处理 能力，近年来，已广泛应用于图像分割-1、图像识 1.2简化PCNN模型 别[)、图像降噪[10-]等图像处理的各个领域[1s)。 由上面介绍可知，基本PCNN神经元模型参数 较多，对参数设置较为困难，运算起来也较为繁琐， 文献[10]提出了一种自适应突触链接强度的PCNN 降噪方法，对图像中的噪声点进行了有效去除：文献 因此，本文将基本PCNN模型简化。PCNN简化模 [11]提出了单向衰减阈值以及滤波窗口大小和滤 型的数学形式可用下列方程来描述。 波次数均自适应选择的图像降噪方法，其较传统降 Fo[n]=Ig (1) 噪方法有显著优势，降噪效果较好；文献[12]提出 Latn]-aYutn-11 (2) 一种结合形态学方法的滤波算法，更好地抑制混合 U[n]=F[n](1+BL[n]) (3) 噪声的干扰，到达了良好的降噪效果。为更好地提 1, U[n]≥0，[n] 高图像质量，改善降噪效果，本文提出一种改进突触 Y,[n]= (4) 0, U;[n]<0[n] 链接强度和改进阈值函数的PCNN模型。 0[n 1]=e0;[n]VoYi[n] (5) 1PCNN神经元模型 式中：a。为阈值衰减时间常数，V,为阈值幅度系数， 1.1PCNN介绍 Y[n]为第n时刻神经元(i,)的输出，其他符号代 PCNN是由许多神经元相互链接形成的一种动 表的含义同1.1小节所介绍。 态非线性神经网络。如图1所示，一个PCNN神经 由式(1)~(5)能够知道，模型保持了原有特征， 元主要由接收外部刺激信号部分、对信号进行调制 同时参数大大减少，并且馈送输入F,和链接输入L 部分以及根据信号强弱决定能否产生脉冲部分这3 均不再自身随时间衰减。此时的馈送输入F,仅与外 部分组成。 部刺激有关，其值为图像的灰度值，而链接输入L,仅 关联神经元的链接信号，其值为周围神经元的输出值 1+BL 与链接权系数矩阵点乘后求和。简化后PCNN模型 expl-d exp(-a exp(-a) 的内部活动项没有改变，脉冲产生与否仍然由内部活 Y. 动项与动态阈值大小来决定。因此，简化后PCNN模 型保持了基本PCNN模型的一些特性。 接收域 调制器脉冲发生器 图1基本PCNN神经元模型 2改进PCNN模型降噪 Fig.1 Basic PCNN neuron model 2.1改进突触链接强度 接收外部刺激信号部分由F和L两条通道接 基本PCNN模型所有神经元突触链接强度均为 收并传输信号，其中F通道的馈送输入F不仅与外 同一初始设置值。实际上，神经元接收不同信号刺 部刺激信号1有关，还与其周围神经元的点火情况 激时，其对周围神经元影响的强弱是不同的，而传统 相关联，其值为神经元馈送权系数矩阵M与邻域内 PCNN模型没有更好地体现出不同神经元之间的差 各神经元输出值点乘的和再乘以神经元馈送幅度系 异性。因此，本文将突触链接强度加以改进，使其根
到各种噪声污染，其中最常见的就是由白色亮点盐 噪声和黑色暗点胡椒噪声组成的黑白杂点，即椒盐 噪声，也称脉冲噪声。 图像降噪就是将被污染的噪 声点去除，使其恢复原来图像的过程。 图像降噪既 要保证图像边缘细节信息不被破坏，又要对噪声点 进行去除，使图像清晰，有较好的视觉效果。 传统的 降噪方法［１－３］ ，如中值降噪在对图像降噪过程中对 每一个像素点都进行滤波，致使图像纹理细节得到 不同程度的破坏，从而影响了图像清晰度，没有使图 像得到更好地恢复。 脉冲耦合神经网络［４－６］ （ ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＰＣＮＮ）是第 ３ 代人工神经网络，由于它有 着极强的生物学背景，因此显示出突出的图像处理 能力，近年来，已广泛应用于图像分割［７－８］ 、图像识 别［９］ 、图像降噪［１０－１２］ 等图像处理的各个领域［１３－１５］ 。 文献［１０］提出了一种自适应突触链接强度的 ＰＣＮＮ 降噪方法，对图像中的噪声点进行了有效去除；文献 ［１１］提出了单向衰减阈值以及滤波窗口大小和滤 波次数均自适应选择的图像降噪方法，其较传统降 噪方法有显著优势，降噪效果较好；文献［１２］ 提出 一种结合形态学方法的滤波算法，更好地抑制混合 噪声的干扰，到达了良好的降噪效果。 为更好地提 高图像质量，改善降噪效果，本文提出一种改进突触 链接强度和改进阈值函数的 ＰＣＮＮ 模型。 １ ＰＣＮＮ 神经元模型 １．１ ＰＣＮＮ 介绍 ＰＣＮＮ 是由许多神经元相互链接形成的一种动 态非线性神经网络。 如图 １ 所示，一个 ＰＣＮＮ 神经 元主要由接收外部刺激信号部分、对信号进行调制 部分以及根据信号强弱决定能否产生脉冲部分这 ３ 部分组成。 图 １ 基本 ＰＣＮＮ 神经元模型 Ｆｉｇ．１ Ｂａｓｉｃ ＰＣＮＮ ｎｅｕｒｏｎ ｍｏｄｅｌ 接收外部刺激信号部分由 Ｆ 和 Ｌ 两条通道接 收并传输信号，其中 Ｆ 通道的馈送输入 Ｆｉｊ不仅与外 部刺激信号 Ｉｉｊ有关，还与其周围神经元的点火情况 相关联，其值为神经元馈送权系数矩阵 Ｍ 与邻域内 各神经元输出值点乘的和再乘以神经元馈送幅度系 数 ＶＦ ，然后加上外部刺激信号，并且随时间按指数 变化不断衰减。 而 Ｌ 通道的链接输入 Ｌｉｊ仅接收其 周围神经元的链接信号，其值为神经元链接权系数 矩阵 Ｗ 与邻域内各神经元输出值点乘的和再乘以 神经元链接幅度系数 ＶＬ ，同时也随时间按指数形式 逐渐衰减。 调制器的作用是调节 Ｆ 和 Ｌ 两条通道传递的 信号，通过耦合调制得到内部活动项 Ｕｉｊ。 脉冲发生器用来控制脉冲的产生与否，当 Ｕｉｊ≥ θｉｊ时，神经元点火发放脉冲，即输出 Ｙｉｊ ＝ １，否则神经 元不点火，输出 Ｙｉｊ ＝ ０。 其中动态阈值 θｉｊ按指数形 式随时间衰减。 １．２ 简化 ＰＣＮＮ 模型 由上面介绍可知，基本 ＰＣＮＮ 神经元模型参数 较多，对参数设置较为困难，运算起来也较为繁琐， 因此，本文将基本 ＰＣＮＮ 模型简化。 ＰＣＮＮ 简化模 型的数学形式可用下列方程来描述。 Ｆｉｊ［ｎ］ ＝ Ｉｉｊ （１） Ｌｉｊ［ｎ］ ＝ ∑ｋｌ ＷｉｊｋｌＹｋｌ［ｎ － １］ （２） Ｕｉｊ［ｎ］ ＝ Ｆｉｊ［ｎ］（１ ＋ βＬｉｊ［ｎ］） （３） Ｙｉｊ［ｎ］ ＝ １， Ｕｉｊ［ｎ］ ≥ θｉｊ［ｎ］ ０， Ｕｉｊ［ｎ］ ＜ θ { ｉｊ［ｎ］ （４） θｉｊ［ｎ ＋ １］ ＝ ｅ －αθ θｉｊ［ｎ］ ＋ ＶθＹｉｊ［ｎ］ （５） 式中：αθ为阈值衰减时间常数，Ｖθ为阈值幅度系数， Ｙｉｊ［ｎ］为第 ｎ 时刻神经元（ ｉ，ｊ）的输出，其他符号代 表的含义同 １．１ 小节所介绍。 由式（１） ～（５）能够知道，模型保持了原有特征， 同时参数大大减少，并且馈送输入 Ｆｉｊ和链接输入 Ｌｉｊ 均不再自身随时间衰减。 此时的馈送输入 Ｆｉｊ仅与外 部刺激有关，其值为图像的灰度值，而链接输入 Ｌｉｊ仅 关联神经元的链接信号，其值为周围神经元的输出值 与链接权系数矩阵点乘后求和。 简化后 ＰＣＮＮ 模型 的内部活动项没有改变，脉冲产生与否仍然由内部活 动项与动态阈值大小来决定。 因此，简化后 ＰＣＮＮ 模 型保持了基本 ＰＣＮＮ 模型的一些特性。 ２ 改进 ＰＣＮＮ 模型降噪 ２．１ 改进突触链接强度 基本 ＰＣＮＮ 模型所有神经元突触链接强度均为 同一初始设置值。 实际上，神经元接收不同信号刺 激时，其对周围神经元影响的强弱是不同的，而传统 ＰＣＮＮ 模型没有更好地体现出不同神经元之间的差 异性。 因此，本文将突触链接强度加以改进，使其根 第 ２ 期 闫海鹏，等： 基于 ＰＣＮＮ 的图像椒盐噪声滤除方法 ·２７３·
·274 智能系统学报 第12卷 据不同神经元的各异性而自适应取值。具体取值方 值函数加以改进，其公式为 式如下。 e,[n]-K, 0:[n]>200 0[n+1]=0[n]-K, 551时，神经元(i,)不易被点火激活而处于抑制 状态。改进的突触链接强度体现出不同神经元之间 链接程度大小的不同，能更真实地模拟生物神经元， 0 从而准确地定位噪声位置，达到更好的降噪效果。 图2动态阈值衰减曲线 2.2改进阈值函数 Fig.2 Dynamic threshold attenuation curve 简化PCNN模型阈值函数仍按指数形式衰减， 2.3噪声定位 而馈送输入F,是一定值，链接输入L,值较小，因此， 由22节知道，改进阈值函数后，可以使所有神 对于灰度值较大的神经元内部活动项U,[n]的值与 经元在有限时间内均点火发放脉冲，因此可添加一 馈送输入值较为接近。而指数衰减的阈值，当阈值 个记录神经元点火时间的矩阵T,即神经元点火时 较大时，阈值函数衰减的速度就会较快，随着阈值的 间图，其与PCNN及图像相对应，大小相等。神经元 减小，其衰减速度也逐渐减小，这样导致较大值神经 点火时间矩阵T记录着每个神经元的初次点火时 元对应的图像区域有较小差异的大灰度值之间的分 间，即当第n时刻神经元(i,j)首次点火，其对应的 辨力较低，而较小值神经元对应的图像区域有较小 点火时间矩阵元素t,=n。 差异的小灰度值的分辨力较高，从而导致灰度值大 为了判断噪声位置，文献[15]采用一个全1的 的区域噪声不易定位的缺点。因此，本文将动态阈 (2m+1)×(2m+1)窗口对点火时间矩阵T中的元素
据不同神经元的各异性而自适应取值。 具体取值方 式如下。 βｉｊ［ｎ］ ＝ １， Ｆｉｊ［ｎ］ ≥ Ｐｉｊｋｌ［ｎ］ １ Ｐｉｊｋｌ［ｎ］ － Ｆｉｊ［ｎ］ ， Ｆｉｊ［ｎ］ ＜ Ｐｉｊｋｌ［ｎ］ ì î í ï ï ïï （６） 式中：Ｆｉｊｋｌ［ｎ］表示第 ｎ 时刻神经元（ｉ，ｊ）邻域内神经 元（ｋ，ｌ）的馈送输入，即 Ｆｋｌ；Ｐｉｊ ｋｌ ［ ｎ］表示神经元（ ｉ， ｊ）邻域内所有神经元（ ｋ，ｌ）的馈送输入 Ｆｋｌ ［ ｎ］的平 均值。 由式（６）可以看出，每个神经元都有不同自适 应取值的突触链接强度：如果当前神经元（ｉ，ｊ）的馈 送输入值 Ｆｉｊ［ｎ］大于或等于其邻域神经元馈送输入 值的平均值 Ｐｉｊ ｋｌ［ ｎ］，这时当前神经元（ ｉ，ｊ）的突触 链接强度 βｉｊ［ｎ］取值为 １，即相当于当前神经元（ ｉ， ｊ）对周围神经元（ ｋ，ｌ）引起了共振响应；否则，当前 神经元（ｉ，ｊ）的突触链接强度 βｉｊ ［ ｎ］取值为邻域内 其他神经元馈送输入的平均值与当前神经元馈送输 入差值的倒数。 突触链接强度这样取值是因为神经 元（ｉ，ｊ）受到的外界刺激与其邻域神经元（ｋ，ｌ）的外 界刺激相似或较大时，其会带动邻域神经元（ｋ，ｌ）的 活跃性，致使整个邻域内神经元的活跃性提高，从而 增大了内部活动项 Ｕｉｊ［ｎ］的取值，促进神经元（ｉ，ｊ） 提早点火发放脉冲；若神经元（ｉ，ｊ）的外界激励相对 其邻域神经元（ ｋ，ｌ） 的外界激励较弱，即 Ｐｉｊ ｋｌ ［ ｎ］ － Ｆｉｊ［ｎ］在 ０ ～ １ 取值时，可使突触链接强度βｉｊ［ｎ］ 取 值较大，这样邻域神经元（ｋ，ｌ）也会带动神经元（ ｉ， ｊ）提前点火激活；但当神经元（ｉ，ｊ）的外界激励相对 其邻域神经元（ｋ，ｌ）的外界激励很小，即Ｐｉｊ ｋｌ［ｎ］－Ｆｉｊ ［ｎ］＞１ 时，神经元（ｉ，ｊ）不易被点火激活而处于抑制 状态。 改进的突触链接强度体现出不同神经元之间 链接程度大小的不同，能更真实地模拟生物神经元， 从而准确地定位噪声位置，达到更好的降噪效果。 ２．２ 改进阈值函数 简化 ＰＣＮＮ 模型阈值函数仍按指数形式衰减， 而馈送输入 Ｆｉｊ是一定值，链接输入 Ｌｉｊ值较小，因此， 对于灰度值较大的神经元内部活动项 Ｕｉｊ［ｎ］的值与 馈送输入值较为接近。 而指数衰减的阈值，当阈值 较大时，阈值函数衰减的速度就会较快，随着阈值的 减小，其衰减速度也逐渐减小，这样导致较大值神经 元对应的图像区域有较小差异的大灰度值之间的分 辨力较低，而较小值神经元对应的图像区域有较小 差异的小灰度值的分辨力较高，从而导致灰度值大 的区域噪声不易定位的缺点。 因此，本文将动态阈 值函数加以改进，其公式为 θｉｊ［ｎ ＋ １］ ＝ θｉｊ［ｎ］ － Ｋ０ ， θｉｊ［ｎ］ ＞ ２００ θｉｊ［ｎ］ － Ｋ１ ， ５５ ＜ θｉｊ［ｎ］ ≤ ２００ θｉｊ［ｎ］ － Ｋ２ ， ０ ＜ θｉｊ［ｎ］ ≤ ５５ ì î í ï ï ïï （７） 式中：Ｋ０ 、Ｋ１和 Ｋ２均为大于零的常数，且 Ｋ１取值要大 于 Ｋ０与 Ｋ２ ，以达到使动态阈值快速下降，加快算法 运行速度的目的，而 Ｋ０及 Ｋ２取较小值时，可以提高 算法对图像的分辨率。 根据每次迭代的指数衰减阈 值函数的改变大小，这里将灰度值大于 ２００ 的看作 大灰度值，小于 ５５ 的看作小灰度值。 由图 ２ 动态阈值的衰减曲线可以看出，改进后 的阈值函数在灰度值较大和较小区域衰减速度均较 慢，但灰度值在中间值附近时阈值函数衰减速度较 快，从而保证了阈值函数衰减的平均速度不至于过 慢。 在保证准确分辨图像不同灰度值的同时，选择 合适的 Ｋ０ 、Ｋ１和 Ｋ２值还会提高阈值衰减速率，从而 提高降噪效率。 此外，由图 ２ 可知，随着时间的增加 指数衰减阈值的衰减速度逐渐降低，且始终大于零， 致使较小的灰度值很难达到点火状态，通过图 ２ 及 式（７）可以看出，改进阈值函数经过衰减，最后一次 可以达到 θｉｊ［ｎ＋１］≤０，这时即使灰度值最小的神经 元也会点火发放脉冲，并且减少了算法运行时间。 因此，改进阈值函数可以在有限时间内使所有神经 元都点火输出脉冲。 图 ２ 动态阈值衰减曲线 Ｆｉｇ．２ Ｄｙｎａｍｉｃ ｔｈｒｅｓｈｏｌｄ ａｔｔｅｎｕａｔｉｏｎ ｃｕｒｖｅ ２．３ 噪声定位 由 ２．２ 节知道，改进阈值函数后，可以使所有神 经元在有限时间内均点火发放脉冲，因此可添加一 个记录神经元点火时间的矩阵 Ｔ，即神经元点火时 间图，其与 ＰＣＮＮ 及图像相对应，大小相等。 神经元 点火时间矩阵 Ｔ 记录着每个神经元的初次点火时 间，即当第 ｎ 时刻神经元（ ｉ，ｊ）首次点火，其对应的 点火时间矩阵元素 ｔ ｉｊ ＝ ｎ。 为了判断噪声位置，文献［１５］采用一个全 １ 的 （２ｍ＋１）×（２ｍ＋１）窗口对点火时间矩阵 Ｔ 中的元素 ·２７４· 智 能 系 统 学 报 第 １２ 卷
第2期 闫海鹏，等：基于PCNN的图像椒盐噪声滤除方法 ·275. 逐个扫描，并对相应的(2m+1)×(2m+1)个元素排 度图像。测试客观评价结果采用峰值信噪比 序来判断噪声点。上述方法分析矩阵T中所有元 (PSNR)、均方误差(MSE)、信噪比改善因子(ISNR) 素，算法运行时间较长。根据椒盐噪声的特点，噪声 等指标对降噪性能进行客观评价并进一步分析。 将出现在灰度值最大的亮点处或灰度值最小的暗点 处，即矩阵T中元素为最大值或最小值对应的图像 位置，因此，本文算法中仅分析矩阵T中最大和最 小元素，大大缩减了算法的运行时间。本文对噪声 定位的具体过程为： 将点火时间矩阵T中所有最大及最小元素t均 与各自的(2m+1)×(2m+1)邻域元素tu相减，得到 若干个(2m+1)×(2m+1)窗口大小的矩阵D:,其中 m为正整数。如果矩阵D,中除中间元素外有一半 (a)原始Lena图像 (b)原始Deer图像 图3测试图像的原始图像 以上元素小于-1，此时神经元(i,)未能捕获邻域内 Fig.3 The original images for test 大多数神经元(k,),与它们均有较大差异，因此，可 参照文献[15]将测试参数选择为：0。=260、W= 判断神经元(i,)对应的像素点为大值噪声点（灰度 [0.510.5:101:0.510.5],取K=8K1=15、K2=8。 最大值为255)，即噪声点的灰度值为最大值，应使 图4和图5分别为Lena图像和Deer图像通过 其减小；如果矩阵D:中除中间元素外有一半以上元 添加密度为10%的椒盐噪声，并采用不同降噪方法 素大于1，此时神经元(i,)未能被邻域内大多数神 的测试结果的主观视觉图。 经元(k,)捕获，与邻域内大多数神经元(k,)亦均 从图3~图5可以看出，本文提出的降噪方法能 有较大差异，因此，可判断神经元(i,)对应的像素 够有效地滤除图像中的噪声，通过降噪所得到的视 点为小值噪声点（灰度最小值为0），即噪声点的灰 觉效果要优于中值降噪及均值降噪，不仅去除了噪 度值为最小值，应使其增大。其他情况均认定为不 声点，同时保护了图像边缘细节等信息，使图像轮廓 是噪声点。由文献[11]可知，根据噪声密度的不 清晰，改善了图像质量。 同，调节m的值来控制(2m+1)×(2m+1)窗口大小， 图6为Lena图像添加密度10%的椒盐噪声降 能够更准确辨别噪声。 噪后的局部效果图，从图中可以看出，本文方法较文 2.4PCNN滤波算法 献[10]更好地保持了图像的纹理信息。由于本文 本文方法可以将图像中噪声点准确定位，因此 方法可对噪声准确定位，并且仅对噪声点进行中值 不必对每个像素点都做滤波处理，仅对被判定为噪 滤波，不改变图像中原有的灰度值，从而减少了对图 声的像素点进行滤波。具体算法步骤如下： 像灰度值的破坏，很好地保持了图像纹理。 1)初始化PCNN,设置各个参数初始值，同时令 神经元均处于熄火状态，即Y=0。 2)输入含噪图像，在PCNN中按式(1)~(4)及 式(6)和式(7)循环迭代，直到所有神经元均点火发 放脉冲，同时记录神经元初次点火时间于点火时间 矩阵T中。 3)应用2.3小节介绍的方式定位噪声。对大值 (a)加噪图像 (b)均值降噪 噪声点和小值噪声点均采用(2m+1)×(2m+1)窗口 局部中值滤波。除以上情况外，直接输出原灰度值。 4)输出降噪后图像。 此外，对降噪后图像进行评价后，如果效果仍较 差，可对降噪后图像再执行一次降噪。 3实验验证与结果分析 (c)中值降噪 (d)本文算法 本文以常用Lena图像和作者拍摄的Deer图像 图4Lena图像添加密度10%的椒盐噪声降噪效果 来验证改进算法对图像降噪的性能。原始Lena图 Fig.4 Noise reduction results for Lena image added 像和Deer图像如图3所示，均为256×256大小的灰 the salt and pepper noise with a density of 10%
逐个扫描，并对相应的（２ｍ＋１） ×（２ｍ＋１）个元素排 序来判断噪声点。 上述方法分析矩阵 Ｔ 中所有元 素，算法运行时间较长。 根据椒盐噪声的特点，噪声 将出现在灰度值最大的亮点处或灰度值最小的暗点 处，即矩阵 Ｔ 中元素为最大值或最小值对应的图像 位置，因此，本文算法中仅分析矩阵 Ｔ 中最大和最 小元素，大大缩减了算法的运行时间。 本文对噪声 定位的具体过程为： 将点火时间矩阵 Ｔ 中所有最大及最小元素 ｔ ｉｊ均 与各自的（２ｍ＋１） ×（２ｍ＋１）邻域元素 ｔ ｋｌ相减，得到 若干个（２ｍ＋１） ×（２ｍ＋１）窗口大小的矩阵 Ｄｉｊ，其中 ｍ 为正整数。 如果矩阵 Ｄｉｊ中除中间元素外有一半 以上元素小于－１，此时神经元（ｉ，ｊ）未能捕获邻域内 大多数神经元（ｋ，ｌ），与它们均有较大差异，因此，可 判断神经元（ｉ，ｊ）对应的像素点为大值噪声点（灰度 最大值为 ２５５），即噪声点的灰度值为最大值，应使 其减小；如果矩阵 Ｄｉｊ中除中间元素外有一半以上元 素大于 １，此时神经元（ ｉ，ｊ）未能被邻域内大多数神 经元（ｋ，ｌ）捕获，与邻域内大多数神经元（ ｋ，ｌ）亦均 有较大差异，因此，可判断神经元（ ｉ，ｊ）对应的像素 点为小值噪声点（灰度最小值为 ０），即噪声点的灰 度值为最小值，应使其增大。 其他情况均认定为不 是噪声点。 由文献［１１］ 可知，根据噪声密度的不 同，调节 ｍ 的值来控制（２ｍ＋１）×（２ｍ＋１）窗口大小， 能够更准确辨别噪声。 ２．４ ＰＣＮＮ 滤波算法 本文方法可以将图像中噪声点准确定位，因此 不必对每个像素点都做滤波处理，仅对被判定为噪 声的像素点进行滤波。 具体算法步骤如下： １）初始化 ＰＣＮＮ，设置各个参数初始值，同时令 神经元均处于熄火状态，即 Ｙｉｊ ＝ ０。 ２）输入含噪图像，在 ＰＣＮＮ 中按式（１） ～ （４）及 式（６）和式（７）循环迭代，直到所有神经元均点火发 放脉冲，同时记录神经元初次点火时间于点火时间 矩阵 Ｔ 中。 ３）应用 ２．３ 小节介绍的方式定位噪声。 对大值 噪声点和小值噪声点均采用（２ｍ＋１） ×（２ｍ＋１）窗口 局部中值滤波。 除以上情况外，直接输出原灰度值。 ４）输出降噪后图像。 此外，对降噪后图像进行评价后，如果效果仍较 差，可对降噪后图像再执行一次降噪。 ３ 实验验证与结果分析 本文以常用 Ｌｅｎａ 图像和作者拍摄的 Ｄｅｅｒ 图像 来验证改进算法对图像降噪的性能。 原始 Ｌｅｎａ 图 像和 Ｄｅｅｒ 图像如图 ３ 所示，均为 ２５６×２５６ 大小的灰 度图 像。 测 试 客 观 评 价 结 果 采 用 峰 值 信 噪 比 （ＰＳＮＲ）、均方误差（ＭＳＥ）、信噪比改善因子（ＩＳＮＲ） 等指标对降噪性能进行客观评价并进一步分析。 （ａ） 原始 Ｌｅｎａ 图像 （ｂ）原始 Ｄｅｅｒ 图像 图 ３ 测试图像的原始图像 Ｆｉｇ．３ Ｔｈｅ ｏｒｉｇｉｎａｌ ｉｍａｇｅｓ ｆｏｒ ｔｅｓｔ 参照文献［１５］将测试参数选择为：θ０ ＝ ２６０、Ｗ＝ ［０．５ １ ０．５；１ ０ １；０．５ １ ０．５］，取 Ｋ０ ＝ ８、Ｋ１ ＝ １５、Ｋ２ ＝ ８。 图 ４ 和图 ５ 分别为 Ｌｅｎａ 图像和 Ｄｅｅｒ 图像通过 添加密度为 １０％的椒盐噪声，并采用不同降噪方法 的测试结果的主观视觉图。 从图 ３～图 ５ 可以看出，本文提出的降噪方法能 够有效地滤除图像中的噪声，通过降噪所得到的视 觉效果要优于中值降噪及均值降噪，不仅去除了噪 声点，同时保护了图像边缘细节等信息，使图像轮廓 清晰，改善了图像质量。 图 ６ 为 Ｌｅｎａ 图像添加密度 １０％的椒盐噪声降 噪后的局部效果图，从图中可以看出，本文方法较文 献［１０］更好地保持了图像的纹理信息。 由于本文 方法可对噪声准确定位，并且仅对噪声点进行中值 滤波，不改变图像中原有的灰度值，从而减少了对图 像灰度值的破坏，很好地保持了图像纹理。 图 ４ Ｌｅｎａ 图像添加密度 １０％的椒盐噪声降噪效果 Ｆｉｇ．４ Ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｒｅｓｕｌｔｓ ｆｏｒ Ｌｅｎａ ｉｍａｇｅ ａｄｄｅｄ ｔｈｅ ｓａｌｔ ａｎｄ ｐｅｐｐｅｒ ｎｏｉｓｅ ｗｉｔｈ ａ ｄｅｎｓｉｔｙ ｏｆ １０％ 第 ２ 期 闫海鹏，等： 基于 ＰＣＮＮ 的图像椒盐噪声滤除方法 ·２７５·
·276 智能系统学报 第12卷 表2不同噪声强度降噪后PSNR性能比较(Lena图像) Table 2 The comparison of PSNR performance after noise re- duction with different noise intensity(Lena image) 评价指标 6% 10% 14% 20% 30% 50% 加噪图像 17.55 15.5213.98 12.41 10.71 8.45 均值降噪25.25 23.5422.1822.0820.28 18.36 (a)加噪图像 )均值降噪 中值降噪 31.8331.0030.2129.5727.55 24.77 文献[10]34.1433.90-32.4230.15 文献[15133.7732.7531.9530.51 本文算法40.9738.2836.5734.6431.6227.49 表2中文献[10]与文献[15]的降噪评价指标 为原文中数据。由表2可知，随着噪声密度的增大， (c中值降噪 (d本文算法 PSNR值逐渐减小，但在同一密度情况下，本文算法 图5Der图像添加密度10%的椒盐噪声降噪效果 的PSNR值最大，滤波效果最佳。表明本文方法不 Fig.5 Noise reduction results for Deer image added the 仅优于传统降噪算法，而且较文献[10]与文献[15] salt and pepper noise with a density of 10% 所提方法也有较大的优势。从峰值信噪比来看，本 文方法的峰值信噪比显著高于与之比较的其他方 法，得到了更为接近原始图像的降噪图像。因此，通 过表2中的实验数据可以得出，尽管图像受污染的 程度不同，但在比较的滤波算法中，本文所提出的改 进算法在滤除图像椒盐噪声时去噪性能最强。 (a)原始图像(b)文献T10]降噪图像(c)本文降噪图像 图6降噪细节比较 脉冲耦合神经网络能够辨识出噪声点，并针对 Fig.6 Detail comparison of noise reduction results 噪声点进行有目的的滤波，文献[10]在改进突触链 接强度后对滤波效果有所改善，而本文利用另一种 为了进一步客观评价本文算法的降噪能力，笔 策略改进PCNN的突触链接强度，使突触链接强度 者做了多次测试，并将客观评价结果列于表1。表1 的取值更加合理，同时对阈值函数进行改进，提高了 给出了Lena图像和Deer图像添加密度为10%的椒 算法对图像大灰度值之间及小灰度值之间的分辨 盐噪声PSNR、MSE、ISNR3种评价指标的对比，表2 力，并且在一定程度上还能够降低算法运行时间。 中数据为针对Lena图像受不同强度椒盐噪声污染 因此本文方法提高了对图像椒盐噪声定位的精确 情况降噪后的PSNR性能。 度，对噪声的滤除不改变图像中原有的灰度值，要较 表1Lena图像和Deer图像加10%椒盐噪声时降噪性能评价 其他传统降噪方法以及文献[10]与文献[15]方法 Table 1 The noise reduction performance of Lena and Deer images with 10%impulse noise 好的多。虽然在噪声密度较大时降噪性能有所下 降，但依然较其他方法滤波有较高的峰值信噪比。 Lena Deer 评价指标 此外，笔者测试了参数K。、K、K,选取不同值时 PSNR MSE ISNR PSNR MSE ISNR 对降噪效果的影响，参数取值见表3。Lena图像添 加噪图像 15.515 1826 0 15.048 2034 0 加10%椒盐噪声时的测试评价结果如表4，其中算 均值降噪23.450 290.5 -8.04 20.813 539.3 -5.70 法运行时间单位为s,表4中序号与表3序号阈值函 中值降噪31.00351.62-15.5723.520289.2-8.41 数参数取值相对应。 表3阈值函数参数取值 本文算法38.2659.70-22.8132.42337.22-17.32 Table 3 The parameter values of threshold function 表1中两种图像均是本文降噪算法的PSNR 序号 Ko K 值最大，且远高于中值降噪和均值降噪，验证了 F 4 本文算法的降噪性能优于中值降噪及均值降噪。 2 15 而M$E值最小说明本文算法有效滤除了噪声， 3 5 30 16 ISNR有最小的负值也表明本文算法对噪声的抑 4 5 4 制效果最好。 5 8 30 8
图 ５ Ｄｅｅｒ 图像添加密度 １０％的椒盐噪声降噪效果 Ｆｉｇ．５ Ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｒｅｓｕｌｔｓ ｆｏｒ Ｄｅｅｒ ｉｍａｇｅ ａｄｄｅｄ ｔｈｅ ｓａｌｔ ａｎｄ ｐｅｐｐｅｒ ｎｏｉｓｅ ｗｉｔｈ ａ ｄｅｎｓｉｔｙ ｏｆ １０％ （ａ） 原始图像 （ｂ）文献［１０］降噪图像（ｃ）本文降噪图像 图 ６ 降噪细节比较 Ｆｉｇ．６ Ｄｅｔａｉｌ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｒｅｓｕｌｔｓ 为了进一步客观评价本文算法的降噪能力，笔 者做了多次测试，并将客观评价结果列于表 １。 表 １ 给出了 Ｌｅｎａ 图像和 Ｄｅｅｒ 图像添加密度为 １０％的椒 盐噪声 ＰＳＮＲ、ＭＳＥ、ＩＳＮＲ ３ 种评价指标的对比，表 ２ 中数据为针对 Ｌｅｎａ 图像受不同强度椒盐噪声污染 情况降噪后的 ＰＳＮＲ 性能。 表 １ Ｌｅｎａ 图像和 Ｄｅｅｒ 图像加 １０％椒盐噪声时降噪性能评价 Ｔａｂｌｅ １ Ｔｈｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ Ｌｅｎａ ａｎｄ Ｄｅｅｒ ｉｍａｇｅｓ ｗｉｔｈ １０％ ｉｍｐｕｌｓｅ ｎｏｉｓｅ 评价指标 Ｌｅｎａ ＰＳＮＲ ＭＳＥ ＩＳＮＲ Ｄｅｅｒ ＰＳＮＲ ＭＳＥ ＩＳＮＲ 加噪图像 １５．５１５ １８２６ ０ １５．０４８ ２０３４ ０ 均值降噪 ２３．４５０ ２９０．５ －８．０４ ２０．８１３ ５３９．３ －５．７０ 中值降噪 ３１．００３ ５１．６２ －１５．５７ ２３．５２０ ２８９．２ －８．４１ 本文算法 ３８．２６５ ９．７０ －２２．８１ ３２．４２３ ３７．２２ －１７．３２ 表 １ 中两种图像均是本文降噪算法的 ＰＳＮＲ 值最大，且远高于中值降噪和均值降噪，验证了 本文算法的降噪性能优于中值降噪及均值降噪。 而 ＭＳＥ 值最小说明本文算法有效滤除了噪声， ＩＳＮＲ 有最小的负值也表明本文算法对噪声的抑 制效果最好。 表 ２ 不同噪声强度降噪后 ＰＳＮＲ 性能比较（ Ｌｅｎａ 图像） Ｔａｂｌｅ ２ Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ＰＳＮＲ ｐｅｒｆｏｒｍａｎｃｅ ａｆｔｅｒ ｎｏｉｓｅ ｒｅ⁃ ｄｕｃｔｉｏｎ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｎｏｉｓｅ ｉｎｔｅｎｓｉｔｙ（Ｌｅｎａ ｉｍａｇｅ） 评价指标 ６％ １０％ １４％ ２０％ ３０％ ５０％ 加噪图像 １７．５５ １５．５２ １３．９８ １２．４１ １０．７１ ８．４５ 均值降噪 ２５．２５ ２３．５４ ２２．１８ ２２．０８ ２０．２８ １８．３６ 中值降噪 ３１．８３ ３１．００ ３０．２１ ２９．５７ ２７．５５ ２４．７７ 文献［１０］ ３４．１４ ３３．９０ — ３２．４２ ３０．１５ — 文献［１５］ ３３．７７ ３２．７５ ３１．９５ ３０．５１ — — 本文算法 ４０．９７ ３８．２８ ３６．５７ ３４．６４ ３１．６２ ２７．４９ 表 ２ 中文献［１０］与文献［１５］的降噪评价指标 为原文中数据。 由表 ２ 可知，随着噪声密度的增大， ＰＳＮＲ 值逐渐减小，但在同一密度情况下，本文算法 的 ＰＳＮＲ 值最大，滤波效果最佳。 表明本文方法不 仅优于传统降噪算法，而且较文献［１０］与文献［１５］ 所提方法也有较大的优势。 从峰值信噪比来看，本 文方法的峰值信噪比显著高于与之比较的其他方 法，得到了更为接近原始图像的降噪图像。 因此，通 过表 ２ 中的实验数据可以得出，尽管图像受污染的 程度不同，但在比较的滤波算法中，本文所提出的改 进算法在滤除图像椒盐噪声时去噪性能最强。 脉冲耦合神经网络能够辨识出噪声点，并针对 噪声点进行有目的的滤波，文献［１０］在改进突触链 接强度后对滤波效果有所改善，而本文利用另一种 策略改进 ＰＣＮＮ 的突触链接强度，使突触链接强度 的取值更加合理，同时对阈值函数进行改进，提高了 算法对图像大灰度值之间及小灰度值之间的分辨 力，并且在一定程度上还能够降低算法运行时间。 因此本文方法提高了对图像椒盐噪声定位的精确 度，对噪声的滤除不改变图像中原有的灰度值，要较 其他传统降噪方法以及文献［１０］与文献［１５］方法 好的多。 虽然在噪声密度较大时降噪性能有所下 降，但依然较其他方法滤波有较高的峰值信噪比。 此外，笔者测试了参数 Ｋ０ 、Ｋ１ 、Ｋ２选取不同值时 对降噪效果的影响，参数取值见表 ３。 Ｌｅｎａ 图像添 加 １０％椒盐噪声时的测试评价结果如表 ４，其中算 法运行时间单位为 ｓ，表 ４ 中序号与表 ３ 序号阈值函 数参数取值相对应。 表 ３ 阈值函数参数取值 Ｔａｂｌｅ ３ Ｔｈｅ ｐａｒａｍｅｔｅｒ ｖａｌｕｅｓ ｏｆ ｔｈｒｅｓｈｏｌｄ ｆｕｎｃｔｉｏｎ 序号 Ｋ０ Ｋ１ Ｋ２ １ ４ ８ ４ ２ ８ １５ ８ ３ １６ ３０ １６ ４ ４ １５ ４ ５ ８ ３０ ８ ·２７６· 智 能 系 统 学 报 第 １２ 卷
第2期 闫海鹏，等：基于PCNN的图像椒盐噪声滤除方法 .277, 表4阈值函数参数取不同值时降噪效果评价 puting,2010,28(1):5-13 Table 4 Noise reduction effect evaluation under different [6]SUBASHINI MM,SAHOO S K.Pulse coupled neural net- parameter values of threshold function works and its applications[J].Expert systems with applica- 序号 PSNR MSE ISNR TIME tions,2014,41(8):3965-3974. 1 37.9984 10.3272 -22.5442 45.8345 [7]沈艳，张晓明，韩凯歌，等.PCNN图像分割技术研究 [J].现代电子技术，2014,37(2)：38-41. 38.5035 9.1827 -23.0503 30.2665 SHEN Yan,ZHANG Xiaoming,HAN Kaige,et al.Re- 3 36.0710 16.0768 -20.5905 21.7057 search of image segmentation technology based on PCNN 4 38.2476 9.9168 -22.7700 40.6464 [J].Modern electronics technique,2014,37(2):38-41. 5 37.9253 10.4867-22.4529 27.0175 [8]周东国，高潮，郭永彩.一种参数自适应的简化PCNN 从表4中能够看出，序号2中除了算法运行时 图像分割方法[J].自动化学报，2014.40(6)：1191- 间不是最优外，其他性能评价指标均较优，各参数取 1197. 值越小，算法运行时间越长，而K。与K取值较大时 ZHOU Dongguo,GAO Chao,GUO Yongcai.Adaptive sim- plified PCNN parameter setting for image segmentation J]. 性能指标下降较大，但整体综合分析参数选择对性 Acta automatica sinica,2014,40(6):1191-1197. 能影响不是很大。因此，在具体应用中，应综合分 [9]李翔.基于脉冲耦合神经网络的图像识别和图像检索算 析、合理选择式(7)中的参数。 法研究[D].昆明：云南大学，2014. 4结束语 LI Xiang.Research on image recognition and image retrieval algorithm based on pulse coupled neural network[D].Kun- 本文提出了一种使突触链接强度自适应取值以 ming:Yunnan University,2014. 及阈值函数随时间分段衰减的改进PCNN模型。该 [10]张文兴，闫海鹏，王建国.一种基于脉冲耦合神经网络 方法提高了分辨图像不同灰度值的能力，能够较准 的图像降噪方法[J].图学学报，2015,36(1)：47-51. 确地定位噪声，实现了更好的降噪效果。经过实验 ZHANG Wenxing,YAN Haipeng,WANG Jianguo.A 测试，验证了该方法能够准确地辨识图像椒盐噪声 method for image de-noising based on pulse coupled neural network[J].Journal of graphics,2015,36(1):47-51. 点，并有效地将噪声点滤除，降噪效果好于与其比较 [11]李海燕，张榆锋，施心陵，等.基于脉冲耦合神经网络 的其他方法，同时对图像的边缘细节有较好的保护 的自适应图像滤波[J].计算机应用，2011,31(4)： 效果。 1037-1039,1106 参考文献： LI Haiyan,ZHANG Yufeng,SHI Xinling,et al.Adaptive filtering method for images based on pulse-coupled neural [1]NAKARIYAKUL S.Fast spatial averaging:an efficient algo- network[J].Journal of computer applications,2011,31 rithm for 2D mean filtering[J].The journal of supercomput- (4):1037-1039,1106. ing,2013,65(1):262-273. [12]张艳珠，李媛，李小娟.简化型PCNN的混合噪声图像 [2]YUAN Xinxing,WEN Peng,FAN Xiuxiang,et al.A local 滤波算法研究[J].控制工程，2013,20(5)：829-832. pixel distribution based self-adaptive median filter for remov- ZHANG Yanzhu,LI Yuan,LI Xiaojuan.The research of al of pepper and salt noise[J].IFAC proceedings volumes, hybrid noise filtering for images based on pulse coupled 2013.46(20):63-67. neural network J.Control engineering of China,2013, [3]WANG Huiyan,ZHENG Jia.Comparative study of tongue 20(5):829-832. image denoising methods[J].Journal of computers,2013, [13]刘勃.基于脉冲耦合神经网络的图像处理若干问题研 8(3):787-794. 究[D].西安：西安电子科技大学，2011 [4]张文兴，闫海鹏，王建国.基于改进脉冲耦合神经网络 LIU Qing.Research on several issues about image process- 的数据降噪方法研究[J].机械设计与制造，2015(2)： ing based on pulse coupled neural networks[D].Xi'an: 25-28. Xidian University,2011. ZHANG Wenxing,YAN Haipeng,WANG Jianguo.Re- [14]樊洪斌.脉冲耦合神经网络在医学图像处理中的应用 search on data noise reduction method based on modified 研究[D].桂林：广西师范大学，2009 PCNN[J].Machinery design manufacture,2015(2):25 FAN Hongbin.The applications in the medical image pro- -28. cessing based on pulse coupled neural network[D].Guil- [5]WANG Zhaobin,MA Yide,CHENG Feiyan,et al.Review in:Guangxi Normal University,2009. of pulse-coupled neural networks[J].Image and vision com- [15]刘勃，马义德.一种基于PCNN赋时矩阵的图像去噪新
表 ４ 阈值函数参数取不同值时降噪效果评价 Ｔａｂｌｅ ４ Ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｅｆｆｅｃｔ ｅｖａｌｕａｔｉｏｎ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｐａｒａｍｅｔｅｒ ｖａｌｕｅｓ ｏｆ ｔｈｒｅｓｈｏｌｄ ｆｕｎｃｔｉｏｎ 序号 ＰＳＮＲ ＭＳＥ ＩＳＮＲ ＴＩＭＥ １ ３７．９９８ ４ １０．３２７ ２ －２２．５４４ ２ ４５．８３４ ５ ２ ３８．５０３ ５ ９．１８２ ７ －２３．０５０ ３ ３０．２６６ ５ ３ ３６．０７１ ０ １６．０７６ ８ －２０．５９０ ５ ２１．７０５ ７ ４ ３８．２４７ ６ ９．９１６ ８ －２２．７７０ ０ ４０．６４６ ４ ５ ３７．９２５ ３ １０．４８６ ７ －２２．４５２ ９ ２７．０１７ ５ 从表 ４ 中能够看出，序号 ２ 中除了算法运行时 间不是最优外，其他性能评价指标均较优，各参数取 值越小，算法运行时间越长，而 Ｋ０与 Ｋ２取值较大时 性能指标下降较大，但整体综合分析参数选择对性 能影响不是很大。 因此，在具体应用中，应综合分 析、合理选择式（７）中的参数。 ４ 结束语 本文提出了一种使突触链接强度自适应取值以 及阈值函数随时间分段衰减的改进 ＰＣＮＮ 模型。 该 方法提高了分辨图像不同灰度值的能力，能够较准 确地定位噪声，实现了更好的降噪效果。 经过实验 测试，验证了该方法能够准确地辨识图像椒盐噪声 点，并有效地将噪声点滤除，降噪效果好于与其比较 的其他方法，同时对图像的边缘细节有较好的保护 效果。 参考文献： ［１］ＮＡＫＡＲＩＹＡＫＵＬ Ｓ． Ｆａｓｔ ｓｐａｔｉａｌ ａｖｅｒａｇｉｎｇ： ａｎ ｅｆｆｉｃｉｅｎｔ ａｌｇｏ⁃ ｒｉｔｈｍ ｆｏｒ ２Ｄ ｍｅａｎ ｆｉｌｔｅｒｉｎｇ［Ｊ］． Ｔｈｅ ｊｏｕｒｎａｌ ｏｆ ｓｕｐｅｒｃｏｍｐｕｔ⁃ ｉｎｇ， ２０１３， ６５（１）： ２６２－２７３． ［２］ＹＵＡＮ Ｘｉｎｘｉｎｇ， ＷＥＮ Ｐｅｎｇ， ＦＡＮ Ｘｉｕｘｉａｎｇ， ｅｔ ａｌ． Ａ ｌｏｃａｌ ｐｉｘｅｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｂａｓｅｄ ｓｅｌｆ⁃ａｄａｐｔｉｖｅ ｍｅｄｉａｎ ｆｉｌｔｅｒ ｆｏｒ ｒｅｍｏｖ⁃ ａｌ ｏｆ ｐｅｐｐｅｒ ａｎｄ ｓａｌｔ ｎｏｉｓｅ［ Ｊ］． ＩＦＡＣ ｐｒｏｃｅｅｄｉｎｇｓ ｖｏｌｕｍｅｓ， ２０１３， ４６（２０）： ６３－６７． ［３］ ＷＡＮＧ Ｈｕｉｙａｎ， ＺＨＥＮＧ Ｊｉａ． Ｃｏｍｐａｒａｔｉｖｅ ｓｔｕｄｙ ｏｆ ｔｏｎｇｕｅ ｉｍａｇｅ ｄｅｎｏｉｓｉｎｇ ｍｅｔｈｏｄｓ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒｓ， ２０１３， ８（３）： ７８７－７９４． ［４］张文兴， 闫海鹏， 王建国． 基于改进脉冲耦合神经网络 的数据降噪方法研究［ Ｊ］． 机械设计与制造， ２０１５（２）： ２５－２８． ＺＨＡＮＧ Ｗｅｎｘｉｎｇ， ＹＡＮ Ｈａｉｐｅｎｇ， ＷＡＮＧ Ｊｉａｎｇｕｏ． Ｒｅ⁃ ｓｅａｒｃｈ ｏｎ ｄａｔａ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｍｏｄｉｆｉｅｄ ＰＣＮＮ［Ｊ］． Ｍａｃｈｉｎｅｒｙ ｄｅｓｉｇｎ ＆ ｍａｎｕｆａｃｔｕｒｅ， ２０１５（２）： ２５ －２８． ［５］ＷＡＮＧ Ｚｈａｏｂｉｎ， ＭＡ Ｙｉｄｅ， ＣＨＥＮＧ Ｆｅｉｙａｎ， ｅｔ ａｌ． Ｒｅｖｉｅｗ ｏｆ ｐｕｌｓｅ⁃ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｉｍａｇｅ ａｎｄ ｖｉｓｉｏｎ ｃｏｍ⁃ ｐｕｔｉｎｇ， ２０１０， ２８（１）： ５－１３． ［６］ＳＵＢＡＳＨＩＮＩ Ｍ Ｍ， ＳＡＨＯＯ Ｓ Ｋ． Ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔ⁃ ｗｏｒｋｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］． Ｅｘｐｅｒｔ ｓｙｓｔｅｍｓ ｗｉｔｈ ａｐｐｌｉｃａ⁃ ｔｉｏｎｓ， ２０１４， ４１（８）： ３９６５－３９７４． ［７］沈艳， 张晓明， 韩凯歌， 等． ＰＣＮＮ 图像分割技术研究 ［Ｊ］． 现代电子技术， ２０１４， ３７（２）： ３８－４１． ＳＨＥＮ Ｙａｎ， ＺＨＡＮＧ Ｘｉａｏｍｉｎｇ， ＨＡＮ Ｋａｉｇｅ， ｅｔ ａｌ． Ｒｅ⁃ ｓｅａｒｃｈ ｏｆ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｂａｓｅｄ ｏｎ ＰＣＮＮ ［Ｊ］． Ｍｏｄｅｒｎ ｅｌｅｃｔｒｏｎｉｃｓ ｔｅｃｈｎｉｑｕｅ， ２０１４， ３７（２）： ３８－４１． ［８］周东国， 高潮， 郭永彩． 一种参数自适应的简化 ＰＣＮＮ 图像分割方法［ Ｊ］． 自动化学报， ２０１４， ４０（６）： １１９１－ １１９７． ＺＨＯＵ Ｄｏｎｇｇｕｏ， ＧＡＯ Ｃｈａｏ， ＧＵＯ Ｙｏｎｇｃａｉ． Ａｄａｐｔｉｖｅ ｓｉｍ⁃ ｐｌｉｆｉｅｄ ＰＣＮＮ ｐａｒａｍｅｔｅｒ ｓｅｔｔｉｎｇ ｆｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｊ］． Ａｃｔａ ａｕｔｏｍａｔｉｃａ ｓｉｎｉｃａ， ２０１４， ４０（６）： １１９１－１１９７． ［９］李翔． 基于脉冲耦合神经网络的图像识别和图像检索算 法研究［Ｄ］． 昆明： 云南大学， ２０１４． ＬＩ Ｘｉａｎｇ． Ｒｅｓｅａｒｃｈ ｏｎ ｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｉｍａｇｅ ｒｅｔｒｉｅｖａｌ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｄ］． Ｋｕｎ⁃ ｍｉｎｇ： Ｙｕｎｎａｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０１４． ［１０］张文兴， 闫海鹏， 王建国． 一种基于脉冲耦合神经网络 的图像降噪方法［Ｊ］． 图学学报， ２０１５， ３６（１）： ４７－５１． ＺＨＡＮＧ Ｗｅｎｘｉｎｇ， ＹＡＮ Ｈａｉｐｅｎｇ， ＷＡＮＧ Ｊｉａｎｇｕｏ． Ａ ｍｅｔｈｏｄ ｆｏｒ ｉｍａｇｅ ｄｅ⁃ｎｏｉｓｉｎｇ ｂａｓｅｄ ｏｎ ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｇｒａｐｈｉｃｓ， ２０１５， ３６（１）： ４７－５１． ［１１］李海燕， 张榆锋， 施心陵， 等． 基于脉冲耦合神经网络 的自适应图像滤波［ Ｊ］． 计算机应用， ２０１１， ３１ （ ４）： １０３７－１０３９， １１０６． ＬＩ Ｈａｉｙａｎ， ＺＨＡＮＧ Ｙｕｆｅｎｇ， ＳＨＩ Ｘｉｎｌｉｎｇ， ｅｔ ａｌ． Ａｄａｐｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｐｕｌｓｅ⁃ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１１， ３１ （４）： １０３７－１０３９， １１０６． ［１２］张艳珠， 李媛， 李小娟． 简化型 ＰＣＮＮ 的混合噪声图像 滤波算法研究［Ｊ］． 控制工程， ２０１３， ２０（５）： ８２９－８３２． ＺＨＡＮＧ Ｙａｎｚｈｕ， ＬＩ Ｙｕａｎ， ＬＩ Ｘｉａｏｊｕａｎ． Ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｈｙｂｒｉｄ ｎｏｉｓｅ ｆｉｌｔｅｒｉｎｇ ｆｏｒ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ［ Ｊ］． Ｃｏｎｔｒｏｌ ｅｎｇｉｎｅｅｒｉｎｇ ｏｆ Ｃｈｉｎａ， ２０１３， ２０（５）： ８２９－８３２． ［１３］刘勍． 基于脉冲耦合神经网络的图像处理若干问题研 究［Ｄ］． 西安： 西安电子科技大学， ２０１１． ＬＩＵ Ｑｉｎｇ． Ｒｅｓｅａｒｃｈ ｏｎ ｓｅｖｅｒａｌ ｉｓｓｕｅｓ ａｂｏｕｔ ｉｍａｇｅ ｐｒｏｃｅｓｓ⁃ ｉｎｇ ｂａｓｅｄ ｏｎ ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｄ］． Ｘｉ’ ａｎ： Ｘｉｄｉａｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０１１． ［１４］樊洪斌． 脉冲耦合神经网络在医学图像处理中的应用 研究［Ｄ］． 桂林： 广西师范大学， ２００９． ＦＡＮ Ｈｏｎｇｂｉｎ． Ｔｈｅ ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ ｔｈｅ ｍｅｄｉｃａｌ ｉｍａｇｅ ｐｒｏ⁃ ｃｅｓｓｉｎｇ ｂａｓｅｄ ｏｎ ｐｕｌｓｅ ｃｏｕｐｌｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｄ］． Ｇｕｉｌ⁃ ｉｎ： Ｇｕａｎｇｘｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， ２００９． ［１５］刘勍， 马义德． 一种基于 ＰＣＮＮ 赋时矩阵的图像去噪新 第 ２ 期 闫海鹏，等： 基于 ＰＣＮＮ 的图像椒盐噪声滤除方法 ·２７７·
·278 智能系统学报 第12卷 算法[J].电子与信息学报，2008,30(8)：1869-1873. 吴玉厚，男，1955年生，教授，博士 LIU Qing,MA Yide.A new algorithm for noise reducing of 生导师，博士，主要研究方向为陶瓷零 image based on PCNN time matrix[J].Journal of electron- 件精密加工制造技术、数控机床高速主 ics information technology,2008,30(8):1869-1873. 轴系统关键技术。主持完成国家级、省 作者简介： 部级科研课题20余项。获得国家技术 闫海鹏，男，1987年生，博士研究 发明二等奖1项，国家科技进步二等奖 生，主要研究方向为脆性材料加工、噪 1项，国家专利金奖1项，国家专利优秀奖1项，辽宁省技术 声检测与去除。主持完成内蒙古自治 发明一等奖2项，辽宁省科技进步一等奖1项，省部级科技 区研究生科研创新项目1项，参与国家 奖二等奖7项。国家发明专利10项。发表学术论文387 自然科学基金项目2项。发表学术论 篇，被SCI、EI检索132篇，出版专著8部。 文11篇。 2017年第10届智能机器人与应用国际会议 The 10th International Conference on Intelligent Robotics andapplications The 2017 International Conference on Intelligent Robotics and Applications (ICIRA 2017)will be held in Wuhan, China,from August 15 to 18,2017.The conference offers a unique and interesting platform for scientists,engineers and practitioners throughout the world to present and share their recent research and innovative ideas in the areas of robotics, automation and mechatronics. The topics of interest include,but are not limited to:Robotics Collective and social robots;human-robot interaction; Mobile robots and intelligent autonomous systems;Robotic vision,recognition and reconstruction;Multi-agent systems and distributed control;Robot intelligence,learning and linguistics;Robot design,development and control;Robot motion a- nalysis and planning;Medical robot;Robot actuators and sensors;Robot cooperation;Robot legged locomotion;Robot mechanism and design;Perception and awareness;Space and underwater robots;Virtual and augmented reality;Naviga- tion/LocalizationAutomation Adaptive and learning control system;Advanced control and informatics;Computer integrated manufacturing;Embedded sensors and actuators;Estimation and identification;Factory modeling and automation;Fault detection,testing and diagnosis;Flexible manufacturing systems;Fuzzy and neural systems;Man-machine interactions; Modeling of complex systems;Process control and instrumentation;Motion control;Micro and nano systems;Nonlinear systems and control;Optimal control;Rotating system dynamics and control;Sensors and transducers;Smart structures materials hybrid;Stability and stabilizationMechatronics Advanced measurement and machine vision system;Flexible elec- tronics/sensors;Smart/Electrical skin;Drives and actuators'modeling;Education in mechatronics engineering;Micro-e- lectro-mechanical systems;Multi-sensor data fusion algorithms;Mechatronics in energy systems;Motion vibration and noise control;Real-time and hardware-in-the-loop simulation;Sensing of small quantities;Aerospace engineering;Auto- motive systems;Data storage systems;Electronic packaging;Micro/nano technology;Opto-electronic systems;Proto- typingEspecially,the harmony of robot with human,environment and robot is critical for the ultimate nature of Coexisting- Cooperative-Cognitive Robot (Tri-Co Robot).It becomes one of the main topic of ICIRA 2017. Website:http://www.icira2017.org/
算法［Ｊ］． 电子与信息学报， ２００８， ３０（８）： １８６９－１８７３． ＬＩＵ Ｑｉｎｇ， ＭＡ Ｙｉｄｅ． Ａ ｎｅｗ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｎｏｉｓｅ ｒｅｄｕｃｉｎｇ ｏｆ ｉｍａｇｅ ｂａｓｅｄ ｏｎ ＰＣＮＮ ｔｉｍｅ ｍａｔｒｉｘ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｅｌｅｃｔｒｏｎ⁃ ｉｃｓ ＆ ｉｎｆｏｒｍａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ， ２００８， ３０（８）： １８６９－１８７３． 作者简介： 闫海鹏，男，１９８７ 年生，博士研究 生，主要研究方向为脆性材料加工、噪 声检测与去除。 主持完成内蒙古自治 区研究生科研创新项目 １ 项，参与国家 自然科学基金项目 ２ 项。 发表学术论 文 １１ 篇。 吴玉厚，男，１９５５ 年生，教授，博士 生导师，博士，主要研究方向为陶瓷零 件精密加工制造技术、数控机床高速主 轴系统关键技术。 主持完成国家级、省 部级科研课题 ２０ 余项。 获得国家技术 发明二等奖 １ 项，国家科技进步二等奖 １ 项，国家专利金奖 １ 项，国家专利优秀奖 １ 项，辽宁省技术 发明一等奖 ２ 项，辽宁省科技进步一等奖 １ 项，省部级科技 奖二等奖 ７ 项。 国家发明专利 １０ 项。 发表学术论文 ３８７ 篇，被 ＳＣＩ、ＥＩ 检索 １３２ 篇，出版专著 ８ 部。 ２０１７ 年第 １０ 届智能机器人与应用国际会议 Ｔｈｅ １０ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｏｂｏｔｉｃｓ ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ Ｔｈｅ ２０１７ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｏｂｏｔｉｃｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ （ ＩＣＩＲＡ ２０１７） ｗｉｌｌ ｂｅ ｈｅｌｄ ｉｎ Ｗｕｈａｎ， Ｃｈｉｎａ， ｆｒｏｍ Ａｕｇｕｓｔ １５ ｔｏ １８， ２０１７． Ｔｈｅ ｃｏｎｆｅｒｅｎｃｅ ｏｆｆｅｒｓ ａ ｕｎｉｑｕｅ ａｎｄ ｉｎｔｅｒｅｓｔｉｎｇ ｐｌａｔｆｏｒｍ ｆｏｒ ｓｃｉｅｎｔｉｓｔｓ， ｅｎｇｉｎｅｅｒｓ ａｎｄ ｐｒａｃｔｉｔｉｏｎｅｒｓ ｔｈｒｏｕｇｈｏｕｔ ｔｈｅ ｗｏｒｌｄ ｔｏ ｐｒｅｓｅｎｔ ａｎｄ ｓｈａｒｅ ｔｈｅｉｒ ｒｅｃｅｎｔ ｒｅｓｅａｒｃｈ ａｎｄ ｉｎｎｏｖａｔｉｖｅ ｉｄｅａｓ ｉｎ ｔｈｅ ａｒｅａｓ ｏｆ ｒｏｂｏｔｉｃｓ， ａｕｔｏｍａｔｉｏｎ ａｎｄ ｍｅｃｈａｔｒｏｎｉｃｓ． Ｔｈｅ ｔｏｐｉｃｓ ｏｆ ｉｎｔｅｒｅｓｔ ｉｎｃｌｕｄｅ， ｂｕｔ ａｒｅ ｎｏｔ ｌｉｍｉｔｅｄ ｔｏ：Ｒｏｂｏｔｉｃｓ Ｃｏｌｌｅｃｔｉｖｅ ａｎｄ ｓｏｃｉａｌ ｒｏｂｏｔｓ； ｈｕｍａｎ⁃ｒｏｂｏｔ ｉｎｔｅｒａｃｔｉｏｎ； Ｍｏｂｉｌｅ ｒｏｂｏｔｓ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ａｕｔｏｎｏｍｏｕｓ ｓｙｓｔｅｍｓ； Ｒｏｂｏｔｉｃ ｖｉｓｉｏｎ， ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ； Ｍｕｌｔｉ⁃ａｇｅｎｔ ｓｙｓｔｅｍｓ ａｎｄ ｄｉｓｔｒｉｂｕｔｅｄ ｃｏｎｔｒｏｌ； Ｒｏｂｏｔ ｉｎｔｅｌｌｉｇｅｎｃｅ， ｌｅａｒｎｉｎｇ ａｎｄ ｌｉｎｇｕｉｓｔｉｃｓ； Ｒｏｂｏｔ ｄｅｓｉｇｎ， ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｃｏｎｔｒｏｌ； Ｒｏｂｏｔ ｍｏｔｉｏｎ ａ⁃ ｎａｌｙｓｉｓ ａｎｄ ｐｌａｎｎｉｎｇ； Ｍｅｄｉｃａｌ ｒｏｂｏｔ； Ｒｏｂｏｔ ａｃｔｕａｔｏｒｓ ａｎｄ ｓｅｎｓｏｒｓ； Ｒｏｂｏｔ ｃｏｏｐｅｒａｔｉｏｎ； Ｒｏｂｏｔ ｌｅｇｇｅｄ ｌｏｃｏｍｏｔｉｏｎ； Ｒｏｂｏｔ ｍｅｃｈａｎｉｓｍ ａｎｄ ｄｅｓｉｇｎ； Ｐｅｒｃｅｐｔｉｏｎ ａｎｄ ａｗａｒｅｎｅｓｓ； Ｓｐａｃｅ ａｎｄ ｕｎｄｅｒｗａｔｅｒ ｒｏｂｏｔｓ； Ｖｉｒｔｕａｌ ａｎｄ ａｕｇｍｅｎｔｅｄ ｒｅａｌｉｔｙ； Ｎａｖｉｇａ⁃ ｔｉｏｎ ／ ＬｏｃａｌｉｚａｔｉｏｎＡｕｔｏｍａｔｉｏｎ Ａｄａｐｔｉｖｅ ａｎｄ ｌｅａｒｎｉｎｇ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ； Ａｄｖａｎｃｅｄ ｃｏｎｔｒｏｌ ａｎｄ ｉｎｆｏｒｍａｔｉｃｓ； Ｃｏｍｐｕｔｅｒ ｉｎｔｅｇｒａｔｅｄ ｍａｎｕｆａｃｔｕｒｉｎｇ； Ｅｍｂｅｄｄｅｄ ｓｅｎｓｏｒｓ ａｎｄ ａｃｔｕａｔｏｒｓ； Ｅｓｔｉｍａｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ； Ｆａｃｔｏｒｙ ｍｏｄｅｌｉｎｇ ａｎｄ ａｕｔｏｍａｔｉｏｎ； Ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ， ｔｅｓｔｉｎｇ ａｎｄ ｄｉａｇｎｏｓｉｓ； Ｆｌｅｘｉｂｌｅ ｍａｎｕｆａｃｔｕｒｉｎｇ ｓｙｓｔｅｍｓ； Ｆｕｚｚｙ ａｎｄ ｎｅｕｒａｌ ｓｙｓｔｅｍｓ； Ｍａｎ⁃ｍａｃｈｉｎｅ ｉｎｔｅｒａｃｔｉｏｎｓ； Ｍｏｄｅｌｉｎｇ ｏｆ ｃｏｍｐｌｅｘ ｓｙｓｔｅｍｓ； Ｐｒｏｃｅｓｓ ｃｏｎｔｒｏｌ ａｎｄ ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ； Ｍｏｔｉｏｎ ｃｏｎｔｒｏｌ； Ｍｉｃｒｏ ａｎｄ ｎａｎｏ ｓｙｓｔｅｍｓ； Ｎｏｎｌｉｎｅａｒ ｓｙｓｔｅｍｓ ａｎｄ ｃｏｎｔｒｏｌ； Ｏｐｔｉｍａｌ ｃｏｎｔｒｏｌ； Ｒｏｔａｔｉｎｇ ｓｙｓｔｅｍ ｄｙｎａｍｉｃｓ ａｎｄ ｃｏｎｔｒｏｌ； Ｓｅｎｓｏｒｓ ａｎｄ ｔｒａｎｓｄｕｃｅｒｓ； Ｓｍａｒｔ ｓｔｒｕｃｔｕｒｅｓ ＆ ｍａｔｅｒｉａｌｓ ｈｙｂｒｉｄ； Ｓｔａｂｉｌｉｔｙ ａｎｄ ｓｔａｂｉｌｉｚａｔｉｏｎＭｅｃｈａｔｒｏｎｉｃｓ Ａｄｖａｎｃｅｄ ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ ｓｙｓｔｅｍ； Ｆｌｅｘｉｂｌｅ ｅｌｅｃ⁃ ｔｒｏｎｉｃｓ／ ｓｅｎｓｏｒｓ； Ｓｍａｒｔ ／ Ｅｌｅｃｔｒｉｃａｌ ｓｋｉｎ； Ｄｒｉｖｅｓ ａｎｄ ａｃｔｕａｔｏｒｓ＇ ｍｏｄｅｌｉｎｇ； Ｅｄｕｃａｔｉｏｎ ｉｎ ｍｅｃｈａｔｒｏｎｉｃｓ ｅｎｇｉｎｅｅｒｉｎｇ； Ｍｉｃｒｏ⁃ｅ⁃ ｌｅｃｔｒｏ⁃ｍｅｃｈａｎｉｃａｌ ｓｙｓｔｅｍｓ； Ｍｕｌｔｉ⁃ｓｅｎｓｏｒ ｄａｔａ ｆｕｓｉｏｎ ａｌｇｏｒｉｔｈｍｓ； Ｍｅｃｈａｔｒｏｎｉｃｓ ｉｎ ｅｎｅｒｇｙ ｓｙｓｔｅｍｓ； Ｍｏｔｉｏｎ ｖｉｂｒａｔｉｏｎ ａｎｄ ｎｏｉｓｅ ｃｏｎｔｒｏｌ； Ｒｅａｌ⁃ｔｉｍｅ ａｎｄ ｈａｒｄｗａｒｅ⁃ｉｎ⁃ｔｈｅ⁃ｌｏｏｐ ｓｉｍｕｌａｔｉｏｎ； Ｓｅｎｓｉｎｇ ｏｆ ｓｍａｌｌ ｑｕａｎｔｉｔｉｅｓ； Ａｅｒｏｓｐａｃｅ ｅｎｇｉｎｅｅｒｉｎｇ； Ａｕｔｏ⁃ ｍｏｔｉｖｅ ｓｙｓｔｅｍｓ； Ｄａｔａ ｓｔｏｒａｇｅ ｓｙｓｔｅｍｓ； Ｅｌｅｃｔｒｏｎｉｃ ｐａｃｋａｇｉｎｇ； Ｍｉｃｒｏ ／ ｎａｎｏ ｔｅｃｈｎｏｌｏｇｙ； Ｏｐｔｏ⁃ｅｌｅｃｔｒｏｎｉｃ ｓｙｓｔｅｍｓ； Ｐｒｏｔｏ⁃ ｔｙｐｉｎｇＥｓｐｅｃｉａｌｌｙ， ｔｈｅ ｈａｒｍｏｎｙ ｏｆ ｒｏｂｏｔ ｗｉｔｈ ｈｕｍａｎ， ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ ｒｏｂｏｔ ｉｓ ｃｒｉｔｉｃａｌ ｆｏｒ ｔｈｅ ｕｌｔｉｍａｔｅ ｎａｔｕｒｅ ｏｆ Ｃｏｅｘｉｓｔｉｎｇ⁃ Ｃｏｏｐｅｒａｔｉｖｅ⁃Ｃｏｇｎｉｔｉｖｅ Ｒｏｂｏｔ （Ｔｒｉ⁃Ｃｏ Ｒｏｂｏｔ）． Ｉｔ ｂｅｃｏｍｅｓ ｏｎｅ ｏｆ ｔｈｅ ｍａｉｎ ｔｏｐｉｃ ｏｆ ＩＣＩＲＡ ２０１７． Ｗｅｂｓｉｔｅ：ｈｔｔｐ： ／ ／ ｗｗｗ．ｉｃｉｒａ２０１７．ｏｒｇ ／ ·２７８· 智 能 系 统 学 报 第 １２ 卷
