之前做的PCNN脉冲耦合神经网络的学习工作总结，共享一下。有了writer，写博客就是爽啊！

从 20 世 纪90年代开始，由Eckhorn等对猫的视觉皮层神经元脉冲串同步震荡现象的研究，得到了哺乳动物神经元模型，对Eckhorn提出的模型进行一些改进，就得到了脉冲耦合神经网络模型。

它具有许多独特的优良特性：时空总和特性、动态脉冲发放特性和同步脉冲发放引起的振动与波动等特性。

分支树中有两个分支，馈送输入Fj和链接输入Lj，Fj/L j分别以相对较小/较大的时间常数τ_F/τ_L对神经元J某邻域内的其他神经元的输出进行漏电容积分加权和，此外Fj还接受该神经元的外部刺激Lj。链接器以乘积耦合形式Uj=Fj(1+βLj)构成神经元J的内部行为Uj。脉冲产生器由对网络输出进行漏电容积分的变阈值特性(起激活该神经元的作用)和硬限幅函数(起抑制该神经元的作用)组成，脉冲是否产生取决于内部行为大小能否超过其激发动态门限，且此门限值随着该神经元输出状态的变化发生变化。当阈值θj小于Uj时，神经元被激活(即输出Yj=1),称之为点火一次，紧接着因为输出端对阈值的反馈使得阈值θj突然变高(通常Ve取值大)，神经元又被抑制(即输出Y =0)，从而在神经元输出端产生一个脉冲信号，此脉冲信号经过加权又连接到相邻神经元的输入端，从而影响这些神经元的激发状态，故该网络称为脉冲耦合神经网络。

PCNN的神经元j的离散方程形式为

β:内部活动项的连接因子

F、V_F、τ_F：反馈输入域及其放大系数、衰减时间常数

L、V_L、τ_L：耦合连接域及其放大系数、衰减时间常数

θ、V_θ、τ_θ：动态门限及其放大系数、衰减时间常数

I：神经元强制激发的外部激励

U：内部活动项

Y：脉冲

对于图像处理，它可以做相应的简化。

实现的功能：

1. 图像去噪

2. 图像增强：图像增强是指按照特定的要求突出一幅图像中的某些感兴趣信息，以获得更“好”的视觉效果的一种图像处理技术.这种“好”的评价是由图像的观察者给出的.根据人眼视觉的特性，提出了各种基于PCNN的图像增强算法

3. 图像分割：将图像划分为一些互不重叠的区域，每一区域是像素的一个连续集

4. 图像边缘检测

5. 图像融合：图像融合（Image Fusion）技术是指将多源信道所采集到的关于同一目标的图像经过一定的图像处理，提取各自信道的信息，最后综合成同一图像以供观察或进一步处理。

6. 图像阴影去除

7. 求解最小路径

PCNN实现滤波：

主要实现去除椒盐噪声，对于高斯噪声有一定的效果(有专门去除高斯噪声的算法)

将程序改到GPU上，matlab和GPU对比如下：

加10%椒盐噪声，CPU结果：

Matlab结果：（Elapsed time is 64.288210 seconds.）

GPU结果：

加30%椒盐噪声，CPU结果：

Matlab结果：（Elapsed time is 90.547142 seconds.）

GPU结果：

图像分割：

第二幅是图像分割的结果，第3、4幅为利用PCNN自动波的特点去除图像微小干扰物体的结果。

用红细胞图像:

图像分割—测试红细胞：

PCNN图像信息提取，并计算信息熵得如图：

纵坐标为熵值，横坐标为PCNN迭代次数。

从熵值看，可知随着迭代次数的增加，在16以后，熵是递减的趋势。

迭代10次：

迭代20次：

迭代30次：

迭代60次：

迭代次数不同，获取的信息也不同。根据最大熵值原理，熵越大，信息量越大，如迭代次数为10的图。

边缘检测：

图像增强：对图像进行增强处理，使之轮廓、纹理清楚，细节清晰

看到不少人都想要代码，发个外链吧：http://dl.dbank.com/c00lmmltph